Roboter auf Zuruf: Wo Sprachmodelle helfen und wo sie scheitern

„Räum bitte die Tassen vom Tisch in die Spülmaschine.“ Für einen Menschen ist das ein klarer Auftrag. Für einen Roboter war er lange unlösbar. Er hätte wissen müssen, was eine Tasse ist, wo die Spülmaschine steht und in welcher Reihenfolge die Schritte folgen. All das musste vorher jemand programmieren.

Große Sprachmodelle haben diese Lücke ein Stück weit geschlossen. Sie verstehen Alltagssprache, zerlegen Aufgaben in Schritte und verbinden Wörter mit Bildern. Forschungslabore und Hersteller zeigen seither Roboter, die auf gesprochene Befehle reagieren. Die Videos wirken beeindruckend. Sie verraten aber selten, wie oft ein Versuch schiefging.

Dieser Beitrag erklärt, wie Sprache in die Robotik kommt, was davon heute im Betrieb funktioniert und an welchen Stellen die Technik verlässlich scheitert. Wer einen solchen Roboter anschaffen oder testen will, sollte beides kennen.

Wie aus einem Satz eine Bewegung wird

Ein Sprachmodell (englisch Large Language Model, kurz LLM) ist ein Programm, das aus riesigen Textmengen gelernt hat, welche Wörter wahrscheinlich aufeinander folgen. Es kann deshalb Anweisungen deuten und Pläne formulieren. Bewegen kann es nichts. Zwischen Satz und Greifer braucht es weitere Bausteine.

In der Praxis haben sich drei Bauweisen herausgebildet. Sie unterscheiden sich darin, wie viel das Sprachmodell selbst entscheidet.

• Sprachmodell als Planer: Das Modell übersetzt den Befehl in eine Folge bekannter Fähigkeiten, etwa „fahre zum Tisch“, „greife die Tasse“, „öffne die Klappe“. Jede Fähigkeit ist klassisch programmiert und getestet.
• Sprachmodell als Programmierer: Das Modell schreibt aus einer Beschreibung ein Roboterprogramm. Ein Mensch prüft den Code, bevor er läuft.
• Bild-Sprache-Handlungs-Modelle: Ein einziges Modell sieht Kamerabilder, liest den Befehl und gibt direkt Bewegungsbefehle aus. Fachleute sprechen von Vision-Language-Action-Modellen.

Die erste Bauweise ist am weitesten verbreitet. Sie ist berechenbar, weil das Sprachmodell nur aus einem festen Menü wählt. Die dritte ist am flexibelsten und zugleich am schwersten zu prüfen. In der Forschung gilt sie als vielversprechend, im Werk ist sie noch selten.

Was heute schon zuverlässig funktioniert

Am besten klappt Sprache dort, wo sie die Bedienung erleichtert und die eigentliche Bewegung erprobt bleibt. Ein Beispiel ist das Einrichten eines kollaborativen Roboters, kurz Cobot. Gemeint ist ein Roboter, der ohne Schutzzaun neben Menschen arbeitet. Statt Wegpunkte mühsam einzulernen, beschreibt die Fachkraft den Ablauf. Das System schlägt ein Programm vor, sie korrigiert es und gibt es frei.

Auch die Suche nach Gegenständen profitiert. Ältere Systeme kannten nur Objekte, für die sie eigens trainiert wurden. Modelle, die Bild und Sprache verbinden, finden auch „den blauen Karton mit dem Aufkleber“. In Lagern und Laboren spart das Anlernzeit, wenn sich das Sortiment oft ändert.

Ein dritter Nutzen sind Rückfragen. Ein gut gebautes System meldet sich, wenn ein Befehl mehrdeutig ist: „Meinen Sie die linke oder die rechte Kiste?“ Das klingt banal. Es ist aber genau die Stelle, an der ein klassischer Roboter schweigend das Falsche getan hätte.

Wo die Technik scheitert

Das größte Problem ist bekannt: Sprachmodelle erfinden manchmal Dinge, die plausibel klingen und trotzdem falsch sind. Im Chat ist das ärgerlich. Am Roboter kann daraus eine zerbrochene Flasche oder ein eingeklemmter Finger werden. Ein Modell, das sich sicher gibt, obwohl es unsicher ist, passt schlecht zu einer Maschine mit Kraft.

Hinzu kommt der Abstand zwischen Wissen und Können. Ein Sprachmodell weiß, dass man ein Ei vorsichtig anfasst. Wie viel Druck „vorsichtig“ bedeutet, weiß es nicht. Feinmotorik, Reibung und Gewicht lernt ein Roboter nur aus Bewegungsdaten. Solche Daten sind viel knapper als Text, weil jeder Datensatz echte Versuche an echter Hardware kostet.

Auch die Zeit spielt eine Rolle. Große Modelle rechnen oft in einem entfernten Rechenzentrum. Bis die Antwort zurück ist, vergehen Sekundenbruchteile oder mehr. Für die Planung reicht das. Für eine schnelle Reaktion, etwa wenn ein Teil vom Band rutscht, ist es zu langsam.

Schließlich lässt sich ein Sprachmodell täuschen. Forscher haben gezeigt, dass geschickt formulierte Befehle eingebaute Schutzregeln aushebeln können. Bei einem Roboter, der in der Halle oder im Haushalt arbeitet, ist das keine theoretische Sorge.

Ein Sprachmodell darf vorschlagen, was der Roboter tut. Ob er es tun darf, muss eine andere Instanz entscheiden.

Sicherheit gehört nicht ins Sprachmodell

Daraus folgt eine klare Regel für jeden Einsatz: Die Sicherheitsfunktionen bleiben getrennt. Kraftbegrenzung, Tempolimits, Schutzfelder und Not-Halt laufen in einer eigenen, geprüften Steuerung. Das Sprachmodell kann sie nicht überstimmen, egal wie der Befehl lautet.

Bewährt hat sich außerdem eine Freigabe vor der Ausführung. Das System zeigt an, was es vorhat, und wartet auf Bestätigung. Bei eingespielten Routinen kann man später darauf verzichten. Bei neuen Aufgaben sollte sie Pflicht sein. Jeder Befehl und jeder Plan wird protokolliert, damit sich Fehler nachvollziehen lassen.

Auch rechtlich verschiebt sich etwas. In der EU löst die neue Maschinenverordnung ab 2027 die bisherige Maschinenrichtlinie ab. Sie nimmt ausdrücklich Maschinen mit selbstlernendem Verhalten in den Blick. Hersteller müssen dann zeigen, dass ihr Produkt auch mit solchen Funktionen sicher bleibt. Als Betreiber sollten Sie fragen, wie die KI-Funktion in die Risikobeurteilung eingeflossen ist.

Worauf Sie bei einem Test achten sollten

Wer einen sprachgesteuerten Roboter erproben will, sollte die Aufgabe eng fassen. Ein klar umrissener Arbeitsplatz mit bekannten Teilen verrät mehr als eine offene Vorführung. Prüfen Sie vor allem, wie das System mit Fehlern umgeht, nicht nur den Idealfall. Diese Fragen helfen:

• Wie oft gelingt dieselbe Aufgabe bei zwanzig Wiederholungen?
• Was passiert bei einem unklaren oder unsinnigen Befehl?
• Lässt sich jeder Schritt vor der Ausführung ansehen und stoppen?
• Arbeitet der Roboter auch ohne Internetverbindung weiter?
• Wer haftet, wenn ein vom Modell erzeugtes Programm Schaden anrichtet?

Rechnen Sie außerdem mit laufenden Kosten. Viele Systeme nutzen Modelle aus der Cloud und berechnen je Anfrage oder je Monat. Hinzu kommt Zeit für die Pflege der Fähigkeiten, aus denen das Modell auswählt. Sprache spart Programmierarbeit. Das Wissen über den eigenen Prozess ersetzt sie nicht.

Wohin die Entwicklung geht

Die Forschung arbeitet daran, Roboterdaten in großem Stil zu sammeln, etwa durch Fernsteuerung und Simulation. Je mehr Bewegungen ein Modell gesehen hat, desto besser übersetzt es Sprache in Handgriffe. Gleichzeitig werden kleinere Modelle schneller, sodass sie direkt im Roboter laufen können.

Realistisch ist für die nächsten Jahre eine Arbeitsteilung. Sprache wird zur bequemen Oberfläche für Einrichtung, Umrüstung und Fehlersuche. Die kritischen Bewegungen bleiben erprobt und begrenzt. Ein Roboter, der jeden Wunsch versteht und sicher ausführt, ist dagegen noch Forschung. Wer diesen Unterschied im Blick behält, kann die Technik schon heute sinnvoll nutzen.