Grote techbedrijven en robotstart-ups trekken het afgelopen jaar honderden miljoenen uit voor humanoïde robots. Merknamen als Tesla Optimus, Figure 01 en Agility’s Digit duiken ineens overal op, van fabrieken tot demonstratievideo’s. De inzet is wereldwijd, met pilots in de VS, China en Europa, waaronder Duitsland en Noorwegen. Het doel: arbeidstekorten opvangen en gevaarlijk, saai of zwaar werk automatiseren met kunstmatige intelligentie.
Grote spelers stapelen kapitaal
Investeerders zetten zwaar in op humanoïden. Figure AI haalde in 2024 op het moment van schrijven 675 miljoen dollar op bij Microsoft, Nvidia, OpenAI en Jeff Bezos. De Noorse start-up 1X kreeg 100 miljoen dollar om zijn model Neo en de eerdere robot Eve door te ontwikkelen. Ook Sanctuary AI, Agility Robotics en Apptronik trokken grote rondes aan voor ontwikkeling en productie.
Grote chipmakers duwen de vaart erin. Nvidia introduceerde Project GR00T, een zogenoemd foundationmodel voor robotbesturing, en nieuwe Jetson-hardware voor realtime waarneming. Zulke basismodellen zijn voorgetrainde AI-systemen die later voor veel taken kunnen worden aangepast. Daarmee hoopt Nvidia het softwareprobleem te verkleinen: hoe leer je robots algemene fysieke vaardigheden aan.
Autobedrijven en platformgiganten positioneren zich. Tesla bouwt Optimus met eigen AI-stacks en fabriekstoepassingen in het vizier. BMW werkt met Figure AI aan mogelijke inzet in de productie, terwijl Amazon met Agility’s Digit experimenteert in logistieke centra. Zulke pilots zijn strategisch: wie nu leert, kan straks sneller opschalen.
Figure AI haalde in 2024 675 miljoen dollar op; 1X voegde 100 miljoen dollar toe. Het kapitaalgevecht om humanoïde robots is volop bezig.
Video’s tonen kracht én show
Online video’s laten robots zien die met stokken zwaaien of met bokshandschoenen klappen uitdelen. Dat is deels een test: engineers verstoren bewust het evenwicht om de besturing te meten. Balans, lopen en eenvoudige grijptaken gaan steeds beter. Modellen als Unitree H1 en Agility Digit tonen stabiele stappen en basismanipulatie.
Toch is een deel van de beelden geënsceneerd of beperkt. Robots werken vaak in gecontroleerde ruimtes met vooraf bekende objecten. Soms gebeurt bediening deels op afstand, een methode die teleoperatie heet. Bedrijven gebruiken die menselijke sturing om data te verzamelen waarmee het algoritme later kan leren.
Transparantie over wat autonoom is, blijft cruciaal. Zonder duidelijke uitleg kan marketing de indruk wekken dat systemen al alles zelf kunnen. In werkelijkheid zijn de meeste robots taakgericht en contextgevoelig. Buiten het script vallen prestaties vaak snel terug.
Proefdraai in fabrieken begint
De eerste industriële pilots lopen. Agility Robotics test Digit bij Amazon voor het verplaatsen van bakken en het sorteren van goederen. Apptronik’s Apollo draait samen met Mercedes‑Benz proefopstellingen in de assemblage. Figure AI verkent met BMW welke repetitieve taken haalbaar zijn op de werkvloer.
De focus ligt op smalle, duidelijk afgebakende taken. Denk aan dozen tillen, onderdelen aanreiken of eenvoudige kwaliteitscontroles. De uitdaging is cyclustijd en betrouwbaarheid: kan de robot elke minuut leveren, acht uur lang, zonder fouten. Onderhoud, reserveonderdelen en mens‑robotveiligheid bepalen of een pilot naar echte inzet groeit.
Europa speelt mee via industriële ketens. Duitse autofabrieken bieden testlocaties dicht bij bestaande cobots en transportsystemen. Noorwegen levert via 1X een Europese speler met eigen AI‑stack. In Nederland verkennen logistieke hubs en maakbedrijven toepassingen, vaak samen met onderzoekscentra.
EU-regels sturen ontwikkeling
De Europese AI‑verordening (AI Act) legt nieuwe plichten op aan generieke AI‑aanbieders (GPAI), zoals technische documentatie, evaluaties en energie‑transparantie. Dat treft ook stapels als Nvidia’s Project GR00T als die commercieel worden aangeboden. Voor inzet in machines geldt daarnaast de Europese Machineverordening en CE‑markering. Werkgevers moeten een risico‑inventarisatie doen en veilige procedures vastleggen.
Robots met camera’s en microfoons verwerken persoonsgegevens. Dan is de AVG van kracht, met eisen als dataminimalisatie, duidelijke doelen en versleuteling. In magazijnen betekent dit: zo min mogelijk werknemers herkenbaar in beeld, korte bewaartermijnen en toegangscontrole. Privacy by design hoort onderdeel te zijn van de robotsoftware en het netwerk.
Praktisch raakt dit ook cao’s en medezeggenschap. In Nederland vraagt de Arbowet om maatregelen tegen fysieke en mentale belasting bij technologische veranderingen. Bedrijven moeten OR’s tijdig betrekken bij invoering van AI‑gestuurde systemen. Dat voorkomt frictie en maakt training en herplaatsing beter planbaar.
Nederlandse inzet en zorgpunten
De Nederlandse logistiek kampt met krapte en hoge omloopsnelheid. Humanoïde robots worden gezien als flexibele schakel naast bestaande rolbanden en AGV’s. Onderzoekspartners zoals TU Delft en TNO testen veilige samenwerking tussen mens en robot. Pilots richten zich op kleine series en variërende producten, typisch voor Nederlandse mkb‑productie.
Vakbonden en toezichthouders letten op veiligheid en tempo‑druk. Als algoritmen werktempo sturen, geldt de AI‑verordening voor arbeidsmonitoring en moet de werkgever extra waarborgen bieden. Transparantie over besluitregels en een mens‑in‑de‑lus zijn belangrijke principes. Dat voorkomt dat medewerkers alleen nog de robot achterna hollen.
Verzekeraars kijken mee naar aansprakelijkheid. Ongevallen met autonome systemen vragen heldere verdeling tussen fabrikant, integrator en gebruiker. Contracten leggen steeds vaker log‑bewaring en software‑updates vast. Zo ontstaat een auditspoor dat past bij Europese eisen.
Wat nog niet werkt
Vaardige handen blijven lastig. Fijnmotoriek, zoals kabels insteken of losse onderdelen sorteren, vraagt betere grijpers en tactiele sensoren. Ook batterijduur en warmte‑afvoer beperken inzet buiten vaste laadpauzes. Betrouwbaarheid in rommelige, wisselende omgevingen is nog wisselvallig.
Generieke autonomie is geen gelopen race. Foundationmodellen voor fysiek handelen hebben veel en diverse data nodig, die schaars en duur zijn. Simulatie helpt, maar sluit de kloof met de echte wereld niet volledig. Daarom combineren veel teams leren met klassieke regels en veiligheidsgrenzen.
Kosten blijven hoog, van hardware tot onderhoud. Een sluitende businesscase vraagt schaal, voorspelbaar gebruik en integratie met bestaande IT en logistiek. Tot die tijd winnen taakgerichte robots en cobots het vaak op prijs en eenvoud. Humanoïden krijgen vooral kans waar flexibiliteit zwaarder telt dan stuksprijs.
