Vier von sechs humanoiden Robotern bestehen 24-Stunden-Test in Shanghaier Convenience-Store

Sechs Roboter, vier bestanden, 1.730 erledigte Aufgaben

Sechs humanoide Roboter des Typs Agibot Genie G2 erledigten bei einem 24-Stunden-Test in einem regulär betriebenen Convenience-Store im Shanghaier Bezirk Xuhui 1.730 Aufgaben. Doch nur vier bestanden die Leistungsbewertung. Die beiden anderen hatten Schwierigkeiten mit der Regalprüfung und Reinigungsarbeiten. Ein Reinigungsroboter verließ während der Nachtschicht sogar seine vorgesehene Route und fuhr aus dem Geschäft.

Die Herausforderung begann am 2. November 2026 um 10 Uhr und endete am 3. November. Der Veranstalter Agibot, offiziell Zhiyuan Innovation (Shanghai) Technology Co., Ltd., erreichte mit dem Livestream auf Onlineplattformen mehr als zwei Millionen Zuschauer. Die Roboter arbeiteten zur Mittagszeit, während des Abendgeschäfts, über Nacht und am nächsten Morgen während des Frühstücksangebots.

Hinter dem Spektakel stand eine praktische Frage: Können Roboter die miteinander verknüpften Aufgaben eines Geschäfts am Laufen halten, wenn sich Kundschaft, Bestellungen und Hindernisse um sie herum verändern? Eine gelungene Kaffeezubereitung war nur ein Teil der Bewertung. Auch schnelles Reagieren, das Verbleiben am zugewiesenen Platz und die Fähigkeit, nach einem Fehler weiterzuarbeiten, zählten.

Ren Guanghui, Vizepräsident des Forschungszentrums für verkörperte Intelligenz bei Agibot, räumte ein, dass die Maschinen erfahrenen Beschäftigten im Geschäft noch hinterherhinkten, wenn es darum ging, sich an Veränderungen anzupassen, feinmotorische Bewegungen schnell auszuführen und unerwartete Probleme zu bewältigen. Für die nächsten Verbesserungen müssten Aufzeichnungen erfolgreicher und misslungener Arbeit in bessere Abläufe und Bewegungsfähigkeiten übersetzt werden.

Was die Roboter tatsächlich erledigten

Die sechs Maschinen teilten die Aufgaben im Geschäft unter sich auf: Kunden begrüßen, Waren handhaben, Kaffee zubereiten, warme Speisen ausgeben, Regale prüfen und Tische reinigen. Die Gesamtzahl umfasste Tätigkeiten ganz unterschiedlicher Dauer und Schwierigkeit.

• 683 Begrüßungen oder sonstige Interaktionen mit Kunden.
• 369 Aufgaben zum Heraussuchen und Ausliefern von Waren.
• 147 Kaffeezubereitungen.
• 126 Aufgaben im Speisenservice, in der Abschlussbilanz als Frühstücksservice und in den Bewertungsergebnissen als Ausgabe warmer Speisen bezeichnet.
• 277 Aufgaben zur Regalprüfung und zum Auffüllen der Regale.
• 128 Tischreinigungen.

Auf die Begrüßung von Kunden entfielen rund 39,5 Prozent der 1.730 erfassten Aufgaben. Begrüßungen und Warenhandhabung machten zusammen 1.052 Aufgaben oder rund 60,8 Prozent aus. Die Zahlen zeigen, dass ein großer Teil der erfassten Tätigkeiten darin bestand, auf Menschen zu reagieren und Produkte zu bewegen. Daneben gab es die augenfälligeren Aufgaben, Getränke zuzubereiten und Speisen auszugeben.

Über alle sechs Roboter hinweg lag der Durchschnitt bei rund 72 erledigten Aufgaben pro Stunde. Die Anforderungen unterschieden sich jedoch je nach Tätigkeit: Einen Kunden zu begrüßen und einen Kaffee zuzubereiten, erforderte jeweils andere Abläufe, Geräte und Zeit. Bewertet wurden außerdem die Einsatzzeit, die Rückmeldungen der Kunden, die Erfolgsquote, die Reaktionsgeschwindigkeit und der Umgang mit Problemen.

Warum vier Roboter bestanden und zwei nicht

Ahao, der Begrüßungsroboter, erzielte die beste Bewertung im Kundenservice, nachdem er Kunden von sich aus Hilfe angeboten hatte. Huobao, zuständig für das Heraussuchen und Handhaben von Waren, reagierte schnell auf Bestellungen und arbeitete auch bei steigender Nachfrage und Stornierungen weiter.

Kashao, der Kaffeeroboter, bestand mit einem gleichmäßigen Zubereitungsablauf. Seine heißen Americanos kamen bei den Kunden gut an. Dingjiang, zuständig für warme Speisen und zusätzlich für Aufgaben an der Kasse, erfüllte die Anforderungen, indem er seine Arbeit zuverlässig erledigte.

Juanwang, der Roboter zur Regalprüfung und zum Auffüllen der Regale, konnte mit dem Betriebsrhythmus des Geschäfts nicht Schritt halten. Bei der Kontrolle und beim Nachfüllen der Waren fehlte es laut Bewertung an Eigeninitiative. Lengjie, der Reinigungsroboter, verließ während der Nachtschicht seine festgelegte Route und fuhr nach draußen. Deshalb müssen seine Betriebsregeln überarbeitet werden.

Vier von sechs Robotern bestanden, das entspricht einer Erfolgsquote von rund 66,7 Prozent. Agibot veröffentlichte weder einen numerischen Schwellenwert für das Bestehen noch ein vollständiges Bewertungsraster oder eine Gesamtzahl menschlicher Eingriffe. Die vorliegenden Ergebnisse sagen deshalb mehr über die einzelnen Aufgabenbereiche als über die Zuverlässigkeit des Gesamtsystems aus: Der Begrüßungsroboter schnitt im Kundenservice gut ab, während der Reinigungsroboter stärker darin eingeschränkt werden muss, wo er arbeitet.

Ein ganzer Tag brachte unterschiedliche Belastungen mit sich

Der 24-Stunden-Zeitplan setzte die Roboter in dem kleinen Raum wechselnden Anforderungen aus. Zur Mittags- und Frühstückszeit mussten Kunden schnell bedient werden. Am Abend kam ein weiterer Kundenstrom hinzu. In der Nacht wurde geprüft, ob die Maschinen ihre Aufgaben auch dann erledigen konnten, wenn es im Geschäft ruhiger war.

Der Test verlief in folgenden Phasen:

• 2. November 2026, 10 Uhr: Sechs Genie-G2-Roboter nahmen ihre Arbeit im Convenience-Store im Bezirk Xuhui auf.
• 2. November, Mittags- und Abendgeschäft: Bewertet wurden arbeitsreiche Servicezeiten mit Bestellungen, Warenhandhabung und Speisenzubereitung.
• Nacht vom 2. auf den 3. November: Die Roboter arbeiteten während der Nachtschicht weiter. Dabei verließ der Reinigungsroboter seine Route.
• 3. November, Frühstückszeit und Abschluss: Mit der letzten Servicephase endete die 24-stündige Bewertung. Vier Roboter bestanden.

Die Maschinen wurden in vier Servicephasen bewertet und nicht nur anhand einer einzigen, genau getakteten Tätigkeit. Eine verspätete Warenlieferung konnte eine andere Bestellung beeinträchtigen. Ein Roboter, der einen Regalplatz belegte, konnte einem Kollegen den Zugang versperren. Damit die Arbeit weiterlief, waren neben Geschicklichkeit auch Absprachen nötig.

Kunden und Hindernisse wurden Teil des Tests

Zwei eingeladene Teilnehmer, Xiaoyang biubiu und Xiaoxiao Nathan, stellten Herausforderungen, wie sie auch Beschäftigte im Geschäft kennen könnten. Sie baten die Roboter, normale Cola von Cola ohne Zucker zu unterscheiden, räumten Kaugummis im Regal um und versperrten Wege mit einer Person oder einem Karton.

Bei der Cola-Aufgabe musste das System eine gesprochene Bestellung mit der visuellen Erkennung des richtigen Produkts verknüpfen. Der Kaugummi-Test prüfte, ob eine Maschine den tatsächlichen Regalbestand kontrollieren und die Produkte an ihren vorgesehenen Platz zurückstellen konnte. Bei den Hindernissen ging es darum, anzuhalten und einen anderen Weg um Menschen oder Gegenstände herum zu finden.

Während des Tests nutzten die Roboter die visuelle Erkennung, um falsch platzierte Waren zu identifizieren und an den richtigen Ort zurückzustellen. Fehlende Produkte im Regal konnten das Nachfüllen auslösen, ohne dass ein Mensch einen neuen Auftrag erteilte. Bei den Reinigungsvorführungen mussten die Roboter außerdem Oberflächenmuster von verschütteten Flüssigkeiten oder Flecken unterscheiden.

Bei diesen Aufgaben kamen Wahrnehmung und Bewegung zusammen. Ein Roboter musste zunächst ein Produkt, ein Hindernis oder eine verschmutzte Stelle erkennen, dann eine Handlung auswählen und sie ausführen. Eine falsche Erkennung konnte dazu führen, dass das falsche Produkt geliefert, unnötig gereinigt oder der Weg für eine andere Maschine versperrt wurde.

Warum eine Tüte Süßigkeiten schwierig sein kann

Ren bezeichnete den Convenience-Store als anspruchsvolle Umgebung: Dort gebe es verschiedenartige Produkte, die vorsichtig gehandhabt werden müssten, Kunden bewegten sich zwischen den Maschinen und mehrere Roboter teilten sich einen begrenzten Raum. Anders als an einer festen Kommissionierstation könne sich ein Geschäft jederzeit verändern, wenn ein Kunde einen Gegenstand verschiebe oder in einen Gang trete.

Eine an einem Haken hängende Tüte Skittles veranschaulicht die Schwierigkeit. Der Roboter muss das Produkt erkennen, den richtigen Griffpunkt wählen und genügend Kraft aufwenden, um die Tüte abzunehmen, ohne dass sich ihre Öffnung am Haken verfängt. Position und Griff müssen zusammenpassen.

Ein weiches Stück Kuchen stellt ein anderes Problem dar. Mit zu wenig Druck kann es abrutschen, mit zu viel Druck zerdrückt werden. Verpackungen und Lebensmittel, die sich biegen oder verformen, lassen sich weniger zuverlässig handhaben als feste Gegenstände mit berechenbaren Kanten.

Ren sagte, Aufgaben seien vergleichsweise einfacher, wenn Arbeitsbereiche klar abgegrenzt, Gegenstände standardisiert und Ergebnisse leicht überprüfbar seien. Flexible Gegenstände, komplizierte Berührungen zwischen Oberflächen und lange Bewegungsabläufe blieben technische Herausforderungen. Für das Geschäft bedeutet das: Ein Roboter kann eine einzelne, klar organisierte Aufgabe zuverlässig erledigen, braucht aber möglicherweise noch weitere Verbesserungen, bevor er mit wechselnden Produkten ebenso schnell arbeiten kann wie ein erfahrener Beschäftigter.

Die Software, die sechs einzelne Aufgabenbereiche verbindet

Agibot stattete die sechs Roboter mit mehreren vernetzten Systemen aus. GO-3Preview, das Basismodell für verkörperte Intelligenz des Unternehmens, stellte Fähigkeiten für unterschiedliche physische Aufgaben bereit. Verkörperte Intelligenz bezeichnet KI, die über eine physische Maschine ihre Umgebung wahrnimmt und darin handelt.

GenieEvolver, das System des Unternehmens für die Weiterentwicklung durch Training, kombinierte das Lernen an echten Robotern mit Simulationen und Weltmodellen. Ein Weltmodell ist eine computergestützte Darstellung, mit der vorhergesagt wird, wie Gegenstände und die Umgebung auf eine Handlung reagieren könnten. Mit diesen Trainingsmethoden sollten die Bewegungsabläufe verbessert werden.

GenieMaster koordinierte die Aufgabenverteilung unter den Robotern und gab die Ausführungsergebnisse an den Lernprozess zurück. Sein Embodied Execution Protocol, kurz EEP, verknüpfte Entscheidungen und physische Handlungen mit Rückmeldungen über deren Ergebnis.

Im Geschäft musste die Organisationssoftware wissen, welcher Roboter eine Aufgabe übernehmen konnte und mit welchen Bedingungen er konfrontiert war. Das Bewegungssystem musste die Handlung dann anhand der aktuellen Beobachtungen ausführen. Mithilfe der Rückmeldungen konnte die Koordination festlegen, was als Nächstes geschehen sollte, auch wenn eine Handlung korrigiert werden musste.

Wegen des gemeinsam genutzten Raums war diese Koordination notwendig. Wenn ein Roboter zum Nachfüllen einen Platz belegte, der für eine Bestellung gebraucht wurde, musste das System den Zugang regeln oder die Reihenfolge ändern. Agibot nannte Konflikte um die Positionen der Roboter und Verzögerungen bei der Aktualisierung des Bestellstatus als Beispiele für Probleme, die sich durch bessere Aufgabenregeln angehen ließen.

Aus Fehlern zu lernen braucht unterschiedlich lange

Agibot bezeichnet sein Verfahren zur Nutzung erfolgreicher und misslungener Arbeitsabläufe als PhysicalRSI, eine Abkürzung für rekursive Selbstverbesserung in der physischen Welt. Dabei wird untersucht, was bei echten Aufgaben passiert ist. Anschließend werden Änderungen vorgenommen, und spätere Leistungen dienen als Grundlage für weitere Verbesserungen.

GenieMaster sollte erfolgreiche und misslungene Aufgabenabläufe erfassen, nützliche Erfahrungen im Langzeitgedächtnis speichern und wirksame Anpassungen in Trainingsdaten umwandeln. Eine gespeicherte Betriebsregel wiederzuverwenden und eine neue Bewegungsfähigkeit zu trainieren, erfordert unterschiedlich viel Arbeit.

Ren sagte, Erkenntnisse zu Arbeitsabläufen und Einsatzplanung könnten noch am selben Tag ausgewertet und am nächsten Tag angewendet werden. Für die Aktualisierung von Bewegungsstrategien seien dagegen Datensammlung, Qualitätsprüfungen, Training und Validierung erforderlich. Eine Bewegungsstrategie legt fest, welche physischen Handlungen ein System aus den Beobachtungen des Roboters auswählt.

Ren zufolge dürften die nützlichen Daten aus dem Livestream erst nach ein bis zwei Wochen in späteren Aktualisierungen der Bewegungsstrategien einfließen. Damit hatte der Test zwei praktische Nachbereitungszeiträume: schnelle Änderungen an den Arbeitsabläufen und anschließend langsamere Änderungen an den Modellen, die die Bewegungen steuern.

Dass der Reinigungsroboter seine Route verließ und der Roboter zum Nachfüllen der Regale langsam reagierte, deutete zudem auf unterschiedliche Aufgaben hin. Im einen Fall musste darauf geachtet werden, dass der Roboter innerhalb seines zugewiesenen Arbeitsbereichs blieb. Im anderen waren besseres Timing und mehr Eigeninitiative beim Auffüllen der Regale gefragt. Agibot nannte keinen Termin für eine weitere öffentliche Bewertung der beiden Maschinen.

Was würde die Arbeit wirtschaftlich nutzbar machen?

Agibot bezeichnete den Test im Geschäft als ersten Einsatz seiner neu vorgestellten, integrierten Fähigkeiten im Bereich verkörperter KI für konkrete Geschäftsabläufe. Am 22. Oktober hatte das Unternehmen seine Technologiereihe AI WAVE gestartet. Sie umfasste Daten, Simulationen, Modelle, Roboterhardware und Betriebssysteme, bevor diese Komponenten im Geschäft zum Einsatz kamen.

Der Vorstoß in den kommerziellen Einsatz erfolgte parallel zu einem gemeldeten Umsatz von knapp zwei Milliarden Yuan im ersten Halbjahr 2026 und einer Gesamtproduktion von 20.000 vielseitig einsetzbaren KI-Robotern. Bei der Bewertung im Convenience-Store stand im Mittelpunkt, was diese Maschinen im täglichen Betrieb leisten konnten.

Yao Maoqing, Mitgründer und Co-Präsident von Agibot sowie Leiter der Sparte für verkörperte Intelligenz, sagte, produktive Roboterarbeit müsse messbare, wiederholbare und nachhaltig erfüllbare technische Standards erreichen. Als Kennzahlen nannte er die Erfolgsquote, die Dauer einer Aufgabe und die mittlere Betriebsdauer zwischen Ausfällen, kurz MTBF.

MTBF bezeichnet die durchschnittliche Betriebsdauer zwischen zwei Ausfällen. Für eine Geschäftsleitung beantwortet die Kennzahl eine praktische Frage: Wie lange kann eine Maschine arbeiten, bevor ein Problem den Betrieb unterbricht? Die Dauer einer Aufgabe ist aus einem ähnlichen Grund wichtig. Kunden, die auf ihr Frühstück warten, müssen ihre Bestellung zeitnah erhalten, auch wenn der Roboter die Zubereitung letztlich korrekt abschließen kann.

Agibots Team nannte vier angestrebte Ergebnisse: mehr Arbeit, die den Anforderungen entspricht, und weniger Zeitverlust durch Wiederholungsversuche oder menschliche Übernahme; weniger Datenerfassung und Anpassungen bei Änderungen an Produkten, Ladenlayouts oder Geschäften; Verbesserungen, die sich in unabhängigen Bewertungen bewähren und zugleich bestehende Fähigkeiten erhalten; sowie niedrigere Betriebskosten, wenn das System Erfahrungen aus unterschiedlichen Schichten und Kundenströmen sammelt.

Der Test in Shanghai lieferte Beispiele für nützliche Leistungen und noch ungelöste Aufgaben. Vier Roboter erfüllten die Anforderungen ihres jeweiligen Aufgabenbereichs, während zwei Schwächen bei der durchgehenden Ausführung einer Aufgabe und der Bewegungskontrolle zeigten. Als nächste technische Aufgabe muss das Unternehmen diese Erkenntnisse auf längere Betriebszeiten und wechselnde Geschäfte übertragen und dabei die von ihm genannten Leistungskennzahlen verwenden.

Die wichtigsten Punkte

• Sechs Agibot-Roboter des Typs Genie G2 absolvierten am 3. November 2026 einen 24-Stunden-Test in einem Convenience-Store im Shanghaier Bezirk Xuhui.
• Die Roboter erledigten 1.730 Aufgaben, darunter 683 Kundeninteraktionen, 369 Aufgaben zur Warenhandhabung und 147 Kaffeezubereitungen.
• Vier Roboter bestanden. Der Roboter zur Regalprüfung kam mit dem Tempo des Geschäfts nicht mit, und der Reinigungsroboter verließ während der Nachtschicht seine zugewiesene Route.
• Zu den Tests gehörten das Unterscheiden verschiedener Cola-Sorten, das Ordnen eines durcheinandergebrachten Regals und das Ausweichen um Menschen und Kartons.
• Agibot zufolge könnten Änderungen an den Arbeitsabläufen bereits am nächsten Tag umgesetzt werden. Aktualisierungen der Bewegungsmodelle auf Grundlage der Testdaten dürften dagegen ein bis zwei Wochen dauern.
• Zu den von Agibot genannten kommerziellen Zielen gehören höhere Erfolgsquoten, weniger Betriebsunterbrechungen, eine einfachere Einführung in neuen Geschäften und niedrigere Betriebskosten.