Robotlichamen zijn klaar, maar de AI-hersenen nog niet

TL;DR

• Wat: De robothardware is verder dan de AI-software die robots aanstuurt — de sector zit volgens experts nog in een vroeg stadium, vergelijkbaar met het pre-ChatGPT-tijdperk van taalmodellen.
• Waarom relevant: Investeringen in robotica groeien snel, maar commercieel betrouwbare robots voor het MKB liggen nog niet om de hoek.
• Wat je ermee kunt: Volg de ontwikkelingen, maar investeer je tijd en budget nu in AI-toepassingen die vandaag al werken — zoals procesautomatisering en klantenservice.

Ik las vanochtend een uitgebreid stuk op TechCrunch over de staat van robotica in 2026, en wat me opviel: het probleem is niet dat we geen robots kunnen bouwen, het probleem is dat we ze niet slim genoeg kunnen maken. Dat klinkt tegenstrijdig in een tijd waarin AI overal opduikt, maar het verschil tussen tekst genereren en fysiek iets oppakken blijkt groter dan veel mensen denken.

De hardware loopt voor, de software loopt achter

Laat ik beginnen met het beeld dat ik het sterkst vind in het artikel. Harry Mellsop, oprichter van simulatiebedrijf Antioch, omschrijft de huidige stand van robotica-AI als het "GPT-2-tijdperk". Voor wie dat niet direct plaatst: GPT-2 was het taalmodel van OpenAI dat verscheen vóór ChatGPT bestond. Het kon al redelijk tekst genereren, maar was nog lang niet bruikbaar voor de brede markt.

De vergelijking is treffend. Robotfabrikanten kunnen inmiddels indrukwekkende lichamen bouwen — denk aan humanoïde robots die salto's maken of door een magazijn lopen. Maar zodra zo'n robot iets moet dóén in een onvoorspelbare omgeving, valt de betrouwbaarheid weg. Théophile Gervet van het roboticabedrijf Genesis AI zegt het scherp: "Geen enkele klant geeft om een general purpose robot" als die maar in 80% van de gevallen slaagt. En eerlijk gezegd snap ik dat. Stel dat je als ondernemer een robot inzet in je magazijn en die laat één op de vijf dozen vallen — dan heb je geen oplossing, je hebt een probleem.

Het dataprobleem: te weinig lesstof voor robots

Waarom loopt de AI achter? Het korte antwoord: data. Bij taalmodellen zoals ChatGPT kon je het hele internet als trainingsmateriaal gebruiken — miljarden pagina's tekst. Bij robots ligt dat fundamenteel anders. Een robot moet leren hoe de fysieke wereld werkt: hoe zwaar een doos is, hoe een deurklink voelt, hoe je over een oneven vloer loopt zonder om te vallen.

Die data kun je niet van het internet schrapen. Je moet ze verzamelen in de echte wereld, of simuleren in virtuele omgevingen. En dat kost enorm veel tijd en rekenkracht. Adrian Macneil, CEO van dataplatform Foxglove, wijst op een bijkomend probleem: de datadichtheid. Robots werken met camera's en lidar-sensoren die gigantische hoeveelheden visuele data produceren. Die stroom beheren, opslaan en bruikbaar maken is op zichzelf al een uitdaging.

Ik vind het eerlijk gezegd fascinerend dat we met AI een menselijk gesprek kunnen voeren, maar dat diezelfde technologie nog worstelt met het oppakken van een koffiekopje. Het laat zien hoe ondergewaardeerd onze menselijke motoriek eigenlijk is.

Twee kampen: specifiek versus algemeen

Wat ik interessant vind aan het TechCrunch-artikel is dat het een duidelijke tweedeling schetst in de roboticawereld.

Aan de ene kant heb je bedrijven die kiezen voor specifieke taken. Gritt bouwt bijvoorbeeld autonome zonneparken, Bedrock bestuurt graafmachines zonder bestuurder, en Agility zet robots in binnen industriële omgevingen. Deze bedrijven verdienen nu al geld en — minstens zo belangrijk — verzamelen echte data waarmee ze hun modellen kunnen verbeteren.

Aan de andere kant staan de bedrijven die mikken op de general purpose humanoïde robot: één machine die alles kan. Dat klinkt als sciencefiction, en eerlijk gezegd ís het dat voorlopig ook nog. De technologie is er simpelweg niet.

Ondertussen bewegen grote namen zich ook richting robotica. Wayve, oorspronkelijk een zelfrijdend-autobedrijf, opent een lab voor humanoïde robots. Uber doet hetzelfde. Tesla werkt al langer aan Optimus. Alex Kendall, CEO van Wayve, vergelijkt de staat van robotmanipulatie met "waar zelfrijdende auto's vijf jaar geleden waren." Dat is een interessante parallel — want vijf jaar geleden waren zelfrijdende auto's er ook nog lang niet.

De Unitree-beursgang: hype en realiteit

Een illustratief voorbeeld van de spanning tussen verwachting en werkelijkheid is de beursgang van Unitree, de Chinese robotmaker. Het bedrijf ging op 19 augustus naar de beurs op de Shanghai STAR Market, geprijsd op een waardering van zo'n 9 miljard dollar. Op de eerste handelsdag schoot de koers met meer dan 460% omhoog, waardoor de waardering op circa 66 miljard dollar uitkwam — meer dan Baidu of JD.com.

Maar volgens TechCrunch verloor Unitree kort daarna bijna de helft van die waarde weer. De omzet van het bedrijf is weliswaar sterk gegroeid (meer dan verviervoudigd naar 1,7 miljard yuan in 2025), maar de winstgevendheid daalt doordat het bedrijf zwaar investeert in R&D. Ik denk dat dit een patroon is dat we vaker gaan zien bij roboticabedrijven: enorme verwachtingen, gevolgd door de ontnuchtering dat commerciële betrouwbaarheid nog jaren kost.

Wat betekent dit voor jou als ondernemer?

Kun je je voorstellen dat je over drie jaar een humanoïde robot door je bedrijf laat lopen? Misschien. Maar waarschijnlijk niet. Adrian Macneil van Foxglove voorspelt dat er géén "ChatGPT-moment" komt voor robotica — geen plotselinge omslag waarbij iedereen ineens een robot heeft. In plaats daarvan verwacht hij een geleidelijke adoptie, vergelijkbaar met de opkomst van de personal computer.

Voor Nederlandse MKB-bedrijven is dat een relevant gegeven. Uit recente cijfers blijkt dat 84% van de Nederlandse MKB-ondernemers van plan is meer in AI te investeren, maar dat slechts 28% van bedrijven met minder dan 50 medewerkers AI structureel gebruikt. De toepassingen die nu werken — notulen maken, klantenservice, factuurverwerking — liggen ver af van fysieke robotica.

Dat wil niet zeggen dat je robotica kunt negeren. NLrobotics, de Nederlandse brancheorganisatie voor robotisering, richt zich steeds nadrukkelijker op MKB-toepassingen. Maar wat mij betreft is de les van dit artikel helder: de robots die er nu toe doen, zijn de robots die één ding goed doen. Niet de alleskunner.

Een geduldig spel

Wat mij het meest bijblijft uit dit verhaal is eigenlijk de nuchterheid van de mensen die er het dichtst bovenop zitten. Geen grote beloften, geen "volgend jaar verandert alles". Eerder het besef dat fysieke AI een fundamenteel moeilijker probleem is dan tekst-AI — en dat er tijd, data en geduld voor nodig is.

Voor mij is dit vooral een signaal om realistisch te blijven. De robotrevolutie komt er waarschijnlijk wel, maar niet als een Big Bang. Eerder als een langzame opkomst, taak voor taak, sector voor sector. En dat is misschien minder spectaculair dan een dansende robot op een beursvloer — maar voor je bedrijf uiteindelijk een stuk bruikbaarder.