■ De markt onderschat naar onze mening nog steeds de werkelijke omvang van Physical AI. De fout is niet dat Wall Street robotica negeert, maar dat de ontwikkeling te vaak wordt gemodelleerd als een markt voor robots en humanoids, terwijl het uiteindelijk gaat om het verbinden van kunstmatige intelligentie met de fysieke economie. Capgemini Research Institute ziet inmiddels 79% van grote ondernemingen met Physical AI bezig en 27% al daadwerkelijk deployen of opschalen. BCG ziet tegelijkertijd de terugverdientijd van geavanceerde robotica dalen van vijf tot zeven jaar naar één tot drie jaar. Dat is de cruciale combinatie: technologie wordt beter terwijl de economische drempel om haar te gebruiken snel lager wordt.
■ De potentiële economische markt is daardoor veel groter dan de huidige omzet van robotfabrikanten suggereert. McKinsey ziet robotics en Physical AI richting 2040 minstens $1 biljoen aan economische waarde creëren, terwijl bredere analyses van agents en robots laten zien dat bijna 60% van gewerkte uren theoretisch door deze twee technologieën kan worden geraakt. ABI Research ziet alleen robotics foundation models al uitgroeien tot een markt van circa $150 miljard richting 2036. J.P. Morgan wijst inmiddels op scenario's waarin humanoid sales van ongeveer $2 miljard in 2025 naar circa $300 miljard in 2035 kunnen groeien, terwijl Morgan Stanley op veel langere termijn een humanoid-economie van circa $5 biljoen en meer dan één miljard machines in gebruik mogelijk acht. Die ramingen zijn nadrukkelijk geen zekerheid, maar ze maken duidelijk hoe groot de spreiding van mogelijke uitkomsten inmiddels is.
■ De belangrijkste ontwikkeling is niet dat robots ineens alles kunnen, maar dat de economics van automatisering veranderen. BCG ziet de engineeringtijd voor nieuwe toepassingen tot 70% dalen en de economisch automatiseerbare scope ongeveer 50% toenemen. Bij traditionele robotica kan circa 75% van de implementatiekosten samenhangen met integratie, setup en engineering. Wanneer Physical AI juist deze kosten verlaagt, kunnen toepassingen die technologisch al jaren mogelijk waren voor het eerst financieel rationeel worden. De belangrijkste financiële KPI wordt daarom niet het IQ van een robot, maar cost per completed task.
■ Tegelijkertijd is de technologie minder volwassen dan de spectaculaire video's doen vermoeden. Real-world data, dexterity, tactile sensing, sim-to-real, autonomous uptime, interventions per hour, energieverbruik, safety, certification en integration blijven harde beperkingen. Capgemini ziet bij humanoids 72% van executives technische onvolwassenheid noemen, 63% hoge kosten en meer dan 60% onvoldoende duidelijke ROI. Een actuele reality-check komt uit de roboticasector zelf: in augustus 2026 lopen verwachtingen voor een ChatGPT-moment voor robotbreinen uiteen van eind 2027 tot meerdere jaren later, terwijl brede commerciële implementatie zelfs volgens optimistische partijen daarna nog vier tot vijf jaar kan kosten.
■ De tweede onderschatting is geopolitiek. China installeerde in 2024 circa 295.000 industriële robots, 54% van het wereldtotaal van 542.000, terwijl wereldwijd inmiddels circa 4,66 miljoen industriële robots operationeel zijn. Morgan Stanley, Goldman Sachs, BCG, Capgemini, ABI Research, IFR, IDC, TCS en andere grote onderzoeksorganisaties benaderen het thema ieder vanuit een andere hoek, maar de rode draad wordt steeds duidelijker: Physical AI wordt geen afzonderlijke roboticasector. Het wordt een nieuwe computing-, automation-, componenten-, energie-, data- en productiviteitsstack. Precies daarin zit volgens ons de onderschatting.

Wil je alle artikelen kunnen lezen en elke podcast beluisteren? Neem dan een abonnement en krijg toegang tot alle artikelen en de database met duizenden berichten.

Van generatieve AI naar Physical AI

De eerste grote AI-golf speelde zich vrijwel volledig af in de digitale wereld. Modellen leerden tekst schrijven, softwarecode produceren, beelden genereren, zoeken, analyseren en uiteindelijk zelfstandig digitale taken uitvoeren. Wall Street heeft die waardeketen inmiddels leren begrijpen: meer AI vraagt meer compute, waardoor meer GPU's, networking, geheugen, datacenters, koeling en elektriciteit nodig zijn. De enorme kapitaalcyclus die daaruit is ontstaan, is inmiddels zichtbaar in de investeringsbudgetten van de grootste technologiebedrijven.

Physical AI voegt daar een fundamenteel nieuwe dimensie aan toe, omdat intelligence een fysiek uitvoeringsmechanisme krijgt. Camera's, LiDAR, radar en andere sensoren leveren perception; foundation models en world models proberen de omgeving te begrijpen; planningsoftware bepaalt wat moet gebeuren; actuatoren, motoren en machines voeren de beslissing daadwerkelijk uit. Vervolgens stroomt informatie over het resultaat opnieuw terug in het systeem. AI verandert daarmee van een technologie die voornamelijk informatie verwerkt in een technologie die uiteindelijk fysieke economische output kan beïnvloeden.

Dat verschil is essentieel. Een taalmodel kan vertellen hoe een product moet worden gemaakt, terwijl Physical AI uiteindelijk kan helpen het product daadwerkelijk te maken. Een agent kan een logistieke bottleneck identificeren, waarna Physical AI machines kan herverdelen om die bottleneck fysiek op te lossen. Een model kan een beschadigd onderdeel herkennen, waarna een robot dat onderdeel kan verwijderen, vervangen en controleren. Zo ontstaat een gesloten cyclus van perception, reasoning, planning, action en learning. Dat is de kern van Physical AI.

Waarom de markt de verkeerde TAM bekijkt

Een belangrijk gedeelte van de markt kijkt naar Physical AI en vraagt hoeveel robots of humanoids uiteindelijk kunnen worden verkocht. Dat is begrijpelijk, maar waarschijnlijk te beperkt, omdat een fabrikant geen robot koopt omdat hij een robot wil bezitten. Hij koopt throughput, uptime, flexibiliteit, yield, veiligheid en lagere productiekosten. Een logistieke onderneming koopt geen autonomous mobile robot om de hardware zelf, maar om meer goederen per uur tegen lagere kosten te verwerken. Een ziekenhuis automatiseert geen transporttaak vanwege de robot zelf, maar omdat schaars personeel daardoor meer tijd aan patiënten kan besteden.

De uiteindelijke TAM is daarom niet simpelweg robotprijs maal aantal robots. De veel belangrijkere vraag is welk gedeelte van de fysieke economische output door intelligente machines kan worden beïnvloed. Zodra je de markt zo bekijkt, wordt de opportunity fundamenteel groter.

De boardroom loopt inmiddels voor op de omzet

Het onderzoek van Capgemini Research Institute is hiervoor bijzonder relevant. Het omvatte 1.678 executives van ondernemingen met meer dan $1 miljard omzet, verspreid over zestien landen en vijftien sectoren. Daarmee meet het niet de verwachtingen van robotbouwers, maar de plannen van potentiële afnemers.

79% van de organisaties is al met Physical AI bezig en 27% bevindt zich inmiddels in deployment of scaling. Ongeveer twee derde beschouwt Physical AI als een hoge prioriteit voor de automatiseringsagenda voor de komende drie tot vijf jaar, terwijl 60% verwacht dat de technologie robotica bruikbaar maakt voor toepassingen die voorheen onmogelijk of economisch onpraktisch waren. Dat betekent niet dat de omzet morgen explodeert, maar wel dat de technology adoption funnel zich al begint te vullen.

High tech springt eruit met 93% prioriteit, warehousing en logistics met 69% en agriculture met 59%. Tegelijkertijd ziet 43% Physical AI expliciet als een technologie die domestic production en reshoring kan ondersteunen. Dat laatste kan uiteindelijk macro-economisch belangrijker worden dan de robotmarkt zelf.

Arbeidsschaarste verandert de economische vergelijking

De klassieke automationcase was grotendeels een vergelijking tussen arbeidskosten en kapitaalkosten. Physical AI ontstaat echter in een periode waarin veel economieën structureel kampen met vergrijzing en tekorten aan technisch en operationeel personeel. Daardoor verandert de vergelijking.

Wanneer een werknemer beschikbaar is, vergelijkt een onderneming zijn totale kosten met die van een machine. Wanneer de werknemer simpelweg niet beschikbaar is, wordt de relevante vergelijking de kosten van automation tegenover verloren productie, lagere asset utilization of niet uitgevoerde orders. Een robot hoeft dan niet eens goedkoper te zijn dan een mens; hij moet goedkoper zijn dan de economische output die anders verloren gaat.

Dat helpt verklaren waarom arbeidsschaarste een belangrijkere driver wordt dan alleen arbeidskosten. Het verklaart ook waarom Physical AI vooral interessant kan worden in manufacturing, logistics, healthcare, agriculture en andere sectoren waarin beschikbaarheid van arbeid steeds meer een operationele beperking wordt.

BCG laat zien waarom ROI uiteindelijk belangrijker is dan spectaculaire demonstraties

Voor beleggers is misschien wel het belangrijkste Physical AI-cijfer helemaal geen technologisch cijfer. BCG ziet de paybackperiode voor geavanceerde robotics dalen van ongeveer vijf tot zeven jaar naar één tot drie jaar, en dat verandert kapitaalallocatie fundamenteel.

Wil je alle artikelen kunnen lezen en elke podcast beluisteren? Neem dan een abonnement en krijg toegang tot alle artikelen en de database met duizenden berichten.

Een project met een terugverdientijd van zes jaar zal bij veel ondernemingen nooit door de investeringscommissie komen, terwijl een vergelijkbaar project met een payback van twee jaar ruimschoots boven de interne hurdle rate kan uitkomen. Daardoor kan een relatief beperkte verbetering van technologie een disproportioneel grote stijging van de vraag naar automation veroorzaken.

BCG ziet daarnaast de engineeringtijd voor nieuwe toepassingen tot ongeveer 70% afnemen en de scope van economisch automatiseerbaar werk circa 50% groter worden. Dat is essentieel omdat bij klassieke robotica de robot zelf vaak niet het grootste probleem is. Circa 75% van de implementatiekosten kan samenhangen met engineering, setup en integratie. Een machine die alleen één exact gedefinieerde handeling kan uitvoeren, moet worden geprogrammeerd, getest en opnieuw geconfigureerd wanneer het proces verandert. Physical AI probeert juist die rigiditeit te verwijderen.

De robot hoeft niet menselijk te worden om economisch revolutionair te zijn

Dit is een onderscheid dat in veel marktanalyses verloren gaat. Physical AI hoeft niet te wachten op een humanoid die vrijwel alles kan wat een mens kan. Een bestaande industriële robot die dankzij nieuwe perception- en planningsoftware twintig varianten van een taak aankan waar hij er voorheen vijf aankon, kan economisch al enorm veel waardevoller worden.

Hetzelfde geldt voor een warehouse robot die uitzonderingen beter kan afhandelen, een inspectierobot die onbekende situaties zelfstandig kan beoordelen of een chirurgisch systeem dat een arts intelligenter ondersteunt. Daarom kan Physical AI veel sneller commercieel relevant worden dan general-purpose humanoids en kan de markt tegelijkertijd Physical AI onderschatten én humanoids op korte termijn overschatten.

De bestaande robotbasis is al enorm

Wereldwijd werden in 2024 ongeveer 542.000 industriële robots geïnstalleerd. Dat was meer dan twee keer zoveel als tien jaar eerder en het vierde opeenvolgende jaar waarin de jaarlijkse installaties boven een half miljoen lagen. Wereldwijd zijn inmiddels ongeveer 4,66 miljoen industriële robots operationeel.

Dat is een enorm belangrijk uitgangspunt, omdat Physical AI niet begint met een lege installed base. Miljoenen machines kunnen in theorie slimmer worden door betere vision, perception, planning, simulation en control. Daarom is alleen kijken naar nieuwe robot shipments opnieuw te beperkt: software-defined capability kan de economische waarde van bestaande hardware verhogen.

De roboticasoftware begint dezelfde ontwikkeling te krijgen als eerdere computingplatforms

Traditionele robotica is sterk machine- en taakgebonden. Software voor een lasrobot is ontworpen voor lassen en een pick-and-place-machine wordt ingericht voor een specifieke workflow. Iedere nieuwe toepassing vraagt opnieuw engineering. Robotics foundation models proberen die architectuur fundamenteel te veranderen.

Het doel is intelligence te ontwikkelen die tussen taken en uiteindelijk tussen verschillende robotlichamen kan worden overgedragen. Vision-Language-Action-modellen koppelen wat een machine ziet aan natuurlijke taal en vervolgens aan fysieke acties, terwijl world models proberen te leren hoe de fysieke wereld waarschijnlijk zal reageren voordat de robot daadwerkelijk beweegt.

ABI Research ziet alleen deze robotics-foundation-modellaag richting ongeveer $150 miljard in 2036 groeien. Binnen die verwachting vertegenwoordigt manufacturing ongeveer $30 miljard, warehousing en logistics circa $21 miljard, healthcare ongeveer $16 miljard en restaurants, retail en hospitality gezamenlijk nog eens ongeveer $27 miljard. Dat laat opnieuw zien waarom humanoids maar één gedeelte van de revolutie vormen.

Het tempo van onderzoek neemt ondertussen snel toe

De onderzoeksontwikkeling in juni, juli en augustus 2026 onderstreept hoe snel de architectuur verandert. Nieuwe embodied foundation models combineren perception, task planning, correction en fysieke grounding steeds vaker binnen één model. Recente systemen worden bovendien getraind op miljarden tokens en vervolgens met relatief beperkte aanvullende robotdata omgezet naar Vision-Language-Action-modellen.

Dat is belangrijk omdat de traditionele roboticsworkflow vrijwel precies omgekeerd was: intelligence werd grotendeels vanaf nul rondom één specifieke machine gebouwd. Wanneer foundation models steeds meer generieke fysieke kennis kunnen meenemen, kan de marginale hoeveelheid data die nodig is voor een nieuwe toepassing uiteindelijk sterk dalen.

Daar ligt mogelijk dezelfde economische kracht die generative AI heeft versneld: hergebruik van vooraf getrainde intelligence. Bij Physical AI is die stap alleen aanzienlijk moeilijker, omdat een verkeerde voorspelling niet alleen een verkeerd woord oplevert maar een verkeerde fysieke actie.

Real-world data is waarschijnlijk de belangrijkste schaarse grondstof

Generative AI had bij zijn doorbraak een uitzonderlijk voordeel: het internet bestond al. Er waren biljoenen woorden, miljarden afbeeldingen, video's, softwarecode en andere digitale bronnen beschikbaar. Voor robotica bestaat geen equivalent internet van fysieke interacties.

Een robot moet begrijpen hoeveel kracht nodig is om een object vast te pakken, hoe een kabel beweegt, hoe textiel vervormt, wat er gebeurt wanneer een doos verschuift, hoe glad een oppervlak is en hoe mensen onverwacht door een omgeving bewegen. Die data moet grotendeels nog worden geproduceerd.

Wil je alle artikelen kunnen lezen en elke podcast beluisteren? Neem dan een abonnement en krijg toegang tot alle artikelen en de database met duizenden berichten.

Dat maakt de recente opmerkingen uit de Chinese roboticasector interessant. Een grote embodied-AI-speler schatte dat de hele industrie in de afgelopen jaren slechts ongeveer 100.000 uur hoogwaardige relevante fysieke trainingsdata heeft opgebouwd. De ambitie is om via sensor-equipped werknemers en echte productieomgevingen binnen twee jaar tientallen miljoenen uren te verzamelen. Als dat lukt, verandert de schaal van het probleem, maar het laat vooral zien hoe vroeg we nog zijn.

Het mogelijke dataflywheel kan een van de sterkste moats creëren

Meer machines in de echte wereld betekenen meer interacties, meer interacties produceren meer data en meer data kan de modellen verbeteren. Betere modellen kunnen het aantal menselijke interventions verminderen, minder interventions verlagen de operationele kosten en verhogen autonomous uptime, en een betere ROI leidt vervolgens tot meer deployments waardoor opnieuw meer data ontstaat.

Dat is het Physical AI-flywheel: meer deployments leiden tot meer data, die data leidt tot betere intelligence, betere intelligence verhoogt reliability, hogere reliability verlaagt kosten, lagere kosten verbeteren ROI en een betere ROI leidt opnieuw tot meer deployments. Wanneer dat mechanisme werkelijk ontstaat, kan fleet scale een veel grotere competitive moat worden dan veel beleggers momenteel modelleren. Maar het flywheel moet eerst worden bewezen.

Simulation kan de databottleneck verkleinen, maar niet volledig oplossen

Het is praktisch onmogelijk om moderne AI-modellen uitsluitend via echte robots te trainen. Machines zijn duur, real-world experiments verlopen langzaam en fouten kunnen fysieke schade veroorzaken. Simulation lost een gedeelte van dit probleem op, omdat duizenden of zelfs miljoenen virtuele agents parallel kunnen trainen, zeldzame situaties eindeloos kunnen worden gereproduceerd en synthetic data scenario's kan creëren die in de werkelijkheid nauwelijks beschikbaar zijn.

De zwakke plek blijft sim-to-real. De echte wereld bevat sensor noise, veranderende belichting, variabele wrijving, slijtage, onverwachte objecten, mensen en duizenden andere uitzonderingen die simulation nooit perfect reproduceert. Daarom moet iedere spectaculaire benchmark uiteindelijk dezelfde test doorstaan: werkt het ook gedurende duizenden uren in een echte fabriek of warehouse?

Interventions per hour wordt een cruciale financiële KPI

Stel dat een robot 95% van zijn taken zelfstandig uitvoert. Dat klinkt bijna opgelost, maar wanneer hij zestig taken per uur uitvoert betekent een failure rate van 5% nog altijd drie menselijke interventions per uur. Wanneer voortdurend een werknemer beschikbaar moet blijven om problemen op te lossen, kan een groot gedeelte van de verwachte labour saving verdwijnen.

Daarom zullen professionals uiteindelijk andere KPI's moeten volgen dan alleen benchmark scores: interventions per hour, autonomous uptime, first-pass completion rate, cycle time, mean time between failures en cost per completed task. Die laatste metric is uiteindelijk doorslaggevend.

Cost per completed task is de financiële waarheid

Een robot van $30.000 kan duurder zijn dan een robot van $100.000 wanneer de goedkope machine voortdurend menselijke hulp nodig heeft. De relevante kosten bestaan uit aanschaf, depreciation, software, maintenance, energie, connectivity, integration, downtime en human supervision. Die totale kosten moeten worden gedeeld door het aantal taken dat daadwerkelijk succesvol wordt voltooid.

Dat levert cost per completed task op. Wanneer Physical AI die metric structureel onder menselijke alternatieven kan brengen, ontstaat economische schaal. Wanneer dat niet lukt, blijft een groot gedeelte van Physical AI een technologisch experiment.

Dexterity kan de echte binding constraint worden

Wil je alle artikelen kunnen lezen en elke podcast beluisteren? Neem dan een abonnement en krijg toegang tot alle artikelen en de database met duizenden berichten.

De spectaculaire vooruitgang in humanoid locomotion kan een verkeerde indruk geven van hoe dicht we bij general-purpose robotics zijn. Lopen is moeilijk, maar manipulation is mogelijk nog veel moeilijker.

Een menselijke hand kan zonder bewuste planning een zachte zak, een kabel, glas, een schroef, textiel en een zwaar stuk gereedschap manipuleren. Onze vingers passen voortdurend gripkracht aan via tactile feedback. Robots moeten die combinatie van perception, force control, planning en tactile sensing nog grotendeels leren.

Daarom kunnen actuatoren, precision motors, torque sensors, tactile sensors, encoders en handsystemen strategisch belangrijker worden dan de spectaculaire humanoid zelf. De machine die kan lopen maar iedere paar minuten hulp nodig heeft bij zijn handen creëert nauwelijks labour leverage.

Energie vormt een tweede fysieke grens

Digital AI kan steeds meer compute in een datacenter gebruiken, maar een mobiele robot moet zijn energie meenemen. Meer compute verhoogt mogelijk intelligence maar verbruikt meer stroom, terwijl een grotere batterij runtime verhoogt maar gewicht toevoegt. Meer gewicht verhoogt vervolgens opnieuw het energieverbruik en kan grotere actuatoren vereisen.

Daarom ontstaat waarschijnlijk een gedistribueerde computingarchitecture. Zware training vindt plaats in datacenters, simulation draait op gespecialiseerde infrastructuur, fleet intelligence kan aan de edge worden georganiseerd en latencykritische motor control moet lokaal plaatsvinden. Physical AI kan daardoor een nieuwe computingstack creëren die verder reikt dan alleen robotics.

Safety is geen disclaimer maar een economische bottleneck

Een verkeerde chatbotreactie en een verkeerde robotbeweging hebben fundamenteel verschillende consequenties. Physical AI introduceert probabilistische intelligence in omgevingen waarin machines naast mensen bewegen. Daardoor worden safety certification, liability, insurance, cybersecurity en governance directe onderdelen van de unit economics.

Capgemini ziet 73% van executives safety en het ontbreken van gevestigde standaarden als belangrijke barrière, 62% noemt technology readiness waaronder reliability en performance, en 53% cybersecurity. Voor humanoids wordt het probleem nog duidelijker: 72% noemt technische onvolwassenheid rond onder andere reliability en dexterity, 63% hoge kosten en meer dan 60% onvoldoende duidelijke ROI.

De technologie kan dus jaren vóór commerciële schaal indrukwekkend ogen.

Zelfs de sector weet niet wanneer het echte omslagpunt komt

De meest actuele signalen uit augustus 2026 laten zien hoe groot de onzekerheid nog is. Een prominente Chinese embodied-AI-speler verwacht een ChatGPT-moment voor robotbreinen tegen eind 2027, gedreven door world models en veel grotere hoeveelheden environmental data. Maar zelfs in dat optimistische scenario wordt brede commerciële implementatie pas vier tot vijf jaar daarna verwacht.

Andere leiders uit de Chinese roboticasector spreken over twee tot drie jaar voordat een fundamentele doorbraak in robot intelligence zichtbaar kan worden, terwijl meer sceptische technologen rekening houden met een aanzienlijk langere periode. Dat is precies waarom een professioneel investeringsmodel geen rechte exponentiële lijn naar 2035 mag trekken. De richting kan juist zijn terwijl de timing jaren verkeerd ligt.

Manufacturing is waarschijnlijk de eerste grote schaalmarkt

Manufacturing heeft een ideale combinatie voor vroege Physical AI-adoption: een relatief gecontroleerde omgeving, hoge asset values, duidelijke KPI's, veel bestaande automation en een directe financiële waarde van hogere uptime. Dat verklaart waarom high tech in het Capgemini-onderzoek met 93% bovenaan staat.

In semiconductor-, electronics-, automotive- en andere kapitaalintensieve fabrieken hoeft Physical AI niet eens enorme hoeveelheden werknemers te vervangen om waarde te creëren. Hogere yield, minder downtime, snellere changeovers en betere asset utilization kunnen al voldoende zijn. Hier verandert Physical AI van een labour-saving story in een return-on-invested-capital story, en dat is financieel veel interessanter.

Logistics kan de eerste harde economics bewijzen

Warehousing en logistics scoren met 69% eveneens zeer hoog en vormen volgens ABI Research richting 2036 een foundation-model opportunity van circa $21 miljard. Deze sector heeft een groot voordeel voor beleggers: bijna alles is meetbaar.

Picks per hour, cost per order, interventions per shift, order accuracy, utilization, dock-to-stock time en throughput kunnen allemaal vóór en na implementatie worden vergeleken. Wanneer Physical AI daadwerkelijk werkt, moeten deze cijfers verbeteren. Daarom kan logistics een van de eerste plaatsen worden waar de hype daadwerkelijk kan worden afgerekend op economische resultaten.

Healthcare kan enorm worden, maar waarschijnlijk langzamer

ABI Research ziet voor healthcare richting 2036 ongeveer $16 miljard aan robotics-foundation-model opportunity. De economische logica is hier anders: het gaat niet alleen om labour replacement, maar om het verhogen van de productiviteit van schaars medisch personeel, hospital logistics, rehabilitation, precision en ondersteuning van procedures.

De waarde per succesvolle taak kan daardoor zeer hoog zijn, maar hetzelfde geldt voor de kosten van een fout. Certification, liability en safety zullen daarom waarschijnlijk betekenen dat healthcare langzamer opschaalt dan warehouses en fabrieken, zelfs wanneer de uiteindelijke economische opportunity enorm is.

Agriculture, construction, energy en defense zijn belangrijke tweede golven

Agriculture scoort met 59% verrassend hoog in het Capgemini-onderzoek. Arbeidsschaarste, seizoenswerk en fysiek zware taken maken automation aantrekkelijk, maar deze sectoren hebben een ander probleem: de omgeving kan nauwelijks worden gestandaardiseerd.

Een fabriek kan rondom de robot worden ontworpen, maar een landbouwveld, bouwplaats, mijn, energie-installatie of rampgebied niet. Juist daar kan echte Physical AI uiteindelijk de grootste technologische sprong leveren, omdat de machine moet omgaan met een voortdurend veranderende omgeving.

Wil je alle artikelen kunnen lezen en elke podcast beluisteren? Neem dan een abonnement en krijg toegang tot alle artikelen en de database met duizenden berichten.

Defense heeft daarnaast een andere economische functie. Het vermijden van menselijk risico kan daar belangrijker zijn dan de pure labour ROI.

Reshoring kan een onderschat macro-effect worden

43% van de ondervraagde executives ziet Physical AI als een potentiële enabler van domestic production. Dat cijfer verdient veel meer aandacht.

Een van de belangrijkste argumenten tegen productie in de VS en West-Europa zijn hogere arbeidskosten. Wanneer het aantal arbeidsuren per geproduceerde unit sterk daalt, wordt dat kostenverschil minder bepalend. Dan krijgen transportkosten, supply-chain security, intellectual property, geopolitiek, energie en snelheid een groter gewicht.

Physical AI kan daardoor niet alleen veranderen hoe goederen worden geproduceerd, maar uiteindelijk ook helpen veranderen waar ze worden geproduceerd.

China heeft een voorsprong die niet kan worden genegeerd

Van de 542.000 industriële robots die wereldwijd in 2024 werden geïnstalleerd, kwamen er circa 295.000 in China terecht. Dat is 54%.

China bezit inmiddels meer dan twee miljoen operationele industriële robots en Chinese fabrikanten leverden voor het eerst circa 57% van de robots op hun eigen markt, tegenover ongeveer 28% tien jaar eerder.

De VS installeerde in 2024 circa 34.200 industriële robots. De Amerikaanse robot density ligt rond 307 robots per 10.000 werknemers in manufacturing. Het verschil in absolute schaal is enorm.

China bouwt niet alleen robots, maar een data-industrie

Die installed base creëert supplier density, productie-ervaring, onderhoudskennis, integratiecapaciteit en vooral steeds meer real-world interaction data.

De recente Chinese strategie maakt duidelijk hoe serieus dit wordt genomen. Roboticaondernemingen proberen via werknemers met sensoren enorme datasets van echte menselijke bewegingen te verzamelen en de ambitie van sommige partijen loopt inmiddels op tot tientallen miljoenen uren binnen enkele jaren.

China kan daardoor hetzelfde flywheel proberen te creëren dat het eerder in EV's, batterijen en solar heeft gebouwd: massaproductie verlaagt kosten, lagere kosten verhogen adoption, adoption creëert schaal en schaal financiert opnieuw technologieverbetering. Physical AI wordt daarmee onderdeel van industriepolitiek.

De VS en China bezitten verschillende delen van de stack

De Amerikaanse kracht ligt vooral in frontier AI, semiconductordesign, cloudinfrastructuur, research, software en kapitaalmarkten. China bezit enorme capaciteit in manufacturing, motors, batteries, power electronics, sensors en andere hardware.

Japan en Zuid-Korea hebben sterke posities in precision components, reducers, actuators, memory en manufacturing equipment, terwijl Europa belangrijke industrial automation-, engineering- en machinebouwcapaciteiten bezit.

De uiteindelijke Physical AI-winnaar hoeft daarom niet één land of één onderneming te zijn. Het wordt een wedstrijd tussen complete ecosystems.

Componenten kunnen betere economics krijgen dan robots

Een geavanceerde robot bestaat uit tientallen technologisch moeilijke componenten: actuators, harmonic reducers, motors, encoders, force-torque sensors, tactile sensing, vision, processors, batteries, power electronics en connectivity. Daar kan een klassieke picks-and-shovels opportunity ontstaan.

Wanneer honderden robotfabrikanten uiteindelijk vergelijkbare machines bouwen maar allemaal afhankelijk zijn van een beperkt aantal hoogwaardige componentenleveranciers, kan de economics juist bij die leveranciers terechtkomen. Dat is een belangrijk verschil tussen een aantrekkelijke eindmarkt en een aantrekkelijk aandeel, en precies daar moet institutionele Physical AI-analyse veel scherper naar kijken.

Software kan juist sneller commoditiseren

De andere kant van dezelfde ontwikkeling is dat foundation models bepaalde softwarelagen sneller kunnen commoditiseren. Wanneer krachtige robotics intelligence breed beschikbaar wordt, hoeft iedere robotfabrikant niet langer een volledige proprietary intelligence-stack te ontwikkelen.

Wil je alle artikelen kunnen lezen en elke podcast beluisteren? Neem dan een abonnement en krijg toegang tot alle artikelen en de database met duizenden berichten.

Dat kan de economics verschuiven naar proprietary data, reliability, specialized hardware, integration en distribution. De Physical AI-markt kan daardoor enorm worden terwijl bepaalde softwaremarges juist dalen. Een stijgende TAM betekent nooit automatisch stijgende returns on capital.

Humanoids zijn de spectaculairste maar niet noodzakelijk de beste markt

Humanoids hebben één enorm voordeel: onze fysieke wereld is voor mensen ontworpen. Trappen, deuren, gereedschap, werkbanken, magazijnstellingen en voertuigen zijn afgestemd op de menselijke vorm. Een machine met ongeveer dezelfde geometrie kan daardoor bestaande infrastructuur gebruiken.

Maar de prijs daarvan is technisch enorm. Een humanoid moet locomotion, balance, perception, planning, dexterity, manipulation, energy management en safety tegelijkertijd oplossen. Daarom blijven de prognoses zo breed.

Goldman Sachs verhoogde zijn langetermijnraming voor de humanoidmarkt eerder al met meer dan een factor zes, van ongeveer $6 miljard naar circa $38 miljard in 2035. Het daarbij behorende shipmentscenario liep richting circa 1,4 miljoen units in 2035.

Morgan Stanley gaat op veel langere termijn aanzienlijk verder en ziet een potentiële humanoid-economie van circa $5 biljoen tegen 2050, met mogelijk meer dan één miljard humanoids in gebruik. J.P. Morgan wijst inmiddels op analistenscenario's waarin humanoid sales van ongeveer $2 miljard in 2025 naar circa $300 miljard in 2035 kunnen groeien.

De spreiding tussen deze ramingen vertelt eigenlijk het belangrijkste verhaal: de potentiële markt is enorm, maar niemand weet nog hoe snel we er komen.

Autonomous mobility hoort eveneens bij Physical AI

Een belangrijke fout is Physical AI uitsluitend gelijkstellen aan robots met armen en benen. Autonomous vehicles zijn eveneens fysieke AI-systemen. Ze moeten perception, prediction, planning en action realtime combineren in een ongestructureerde fysieke omgeving.

Daarom hoort autonomous mobility bij dezelfde structurele ontwikkeling. Institutionele scenario's voor deze markt lopen eveneens extreem hoog. J.P. Morgan verwijst inmiddels naar ramingen waarin autonomous-vehicle sales van ongeveer $1 miljard in 2025 richting circa $750 miljard in 2035 kunnen bewegen.

Daarmee wordt opnieuw duidelijk waarom de totale Physical AI-opportunity veel groter kan zijn dan alleen humanoid robotics.

De kapitaalcyclus is inmiddels begonnen

Private capital heeft de verschuiving al opgemerkt. Robotics en embodied-AI-startups trekken miljarden dollars aan nieuw kapitaal aan en de bedragen zijn in 2026 verder versneld. Dat is rationeel wanneer de markt werkelijk richting een nieuwe platformcyclus beweegt, maar het creëert ook risico.

Wanneer venture capital sneller groeit dan commerciële omzet, worden waarderingen losgekoppeld van bewezen economics. Dan ontstaat dezelfde selectie die vrijwel iedere technologische revolutie uiteindelijk kent: de sector groeit spectaculair, maar een groot gedeelte van de individuele ondernemingen verdwijnt.

Een goede Physical AI-thesis moet daarom bullish kunnen zijn op de revolutie en tegelijkertijd zeer kritisch op individuele bedrijven.

De bullcase

De echte bullcase ontstaat wanneer drie curves tegelijkertijd kantelen. Ten eerste moeten foundation models en world models de hoeveelheid engineering per nieuwe toepassing drastisch verlagen. Ten tweede moeten hardware-, componenten- en integratiekosten blijven dalen. Ten derde moet fleet learning aantoonbaar leiden tot steeds minder human interventions.

Wanneer dat gebeurt ontstaat het volledige flywheel. Meer deployments creëren meer data, meer data verbetert intelligence, betere intelligence verhoogt reliability, hogere reliability verlaagt cost per completed task, lagere kosten verkorten de paybackperiode en een kortere payback leidt tot meer deployments.

Dan kan Physical AI veel sneller opschalen dan lineaire marktmodellen voorspellen.

De bearcase

Maar de bearcase is minstens zo belangrijk. General-purpose Physical AI kan vijf tot tien jaar later komen dan de meest optimistische verwachtingen. Dexterity kan veel moeilijker blijken dan perception en language, real-world data kan onvoldoende generaliseren en simulation kan fantastische benchmarks produceren die in echte fabrieken niet standhouden.

Human supervision kan veel langer nodig blijven dan verwacht, safety certification kan deployment vertragen en cybersecurity en liability kunnen de totale kosten verhogen.

En vervolgens is er China. Chinese massaproductie kan de hardwarekosten zo snel verlagen dat volumes enorm groeien maar margins instorten. EV's, batterijen en solar hebben al laten zien dat een gigantische markt niet automatisch fantastische aandeelhoudersrendementen creëert.

Physical AI kan dus een economische revolutie worden terwijl tientallen Physical AI-bedrijven slechte beleggingen blijken.

Wat er vóór eind 2028 bewezen moet worden

Wil je alle artikelen kunnen lezen en elke podcast beluisteren? Neem dan een abonnement en krijg toegang tot alle artikelen en de database met duizenden berichten.

De komende 24 tot 28 maanden zijn daarom veel belangrijker dan een theoretische TAM voor 2040 of 2050.

De eerste metric is pilot-to-production conversion. Een pilot bewijst dat een technologie kan werken, terwijl een rollout over twintig, vijftig of honderd locaties bewijst dat de economics werken. Daarna moet interventions per hour structureel dalen, autonomous uptime stijgen, first-pass completion verbeteren, mean time between failures omhooggaan en cycle time minstens competitief worden met menselijke workflows.

Vervolgens moet cost per completed task worden berekend inclusief hardware, depreciation, software, maintenance, energie, integration en supervision. En ten slotte moet het dataflywheel zichtbaar worden: een vloot van 10.000 machines moet aantoonbaar sneller leren dan een vloot van honderd machines.

Wanneer dat niet gebeurt, is een van de belangrijkste schaalvoordelen van Physical AI veel kleiner dan gedacht.

Investment view

Onze structurele Investment view op Physical AI is positief, maar juist daarom moet de waardeketen zeer selectief worden bekeken.

De eerste interessante laag bestaat uit bottlenecks die vrijwel iedere Physical AI-machine nodig heeft: compute, memory, perception, precision motion, actuators, sensing, power electronics, batteries en connectivity. De aantrekkelijkheid hangt af van technologische differentiatie, pricing power en de vraag hoe snel Chinese concurrentie de hardware commoditiseert.

De tweede laag bestaat uit foundation models, world models, simulation, synthetic data en orchestration. Deze markt kan zeer schaalbaar worden, maar het risico bestaat dat open modellen en snel dalende inferencekosten een gedeelte van de softwarewaarde commoditiseren.

De derde laag is integration. Dit gedeelte wordt vaak onderschat. Als een onderneming 75% van de traditionele implementatiekosten kan besteden aan setup, engineering en integratie, kan degene die Physical AI daadwerkelijk werkend krijgt in een bestaande fabriek een enorme value pool controleren.

De vierde laag bestaat uit de eindgebruikers. Een fabrikant die dankzij Physical AI structureel hogere asset utilization, betere yield, lagere labour intensity en kortere productietijden realiseert, kan uiteindelijk een grotere beurswinnaar zijn dan de onderneming die de robot verkoopt.

De grootste winnaar van Physical AI hoeft daarom helemaal geen robotfabrikant te zijn.

Wat onze visie zou veranderen

Een professionele investment thesis moet falsifieerbaar zijn. Wanneer pilot-to-multisite conversion richting eind 2028 zwak blijft, moeten verwachtingen omlaag. Wanneer interventions per hour onvoldoende dalen, eveneens.

Wanneer grotere fleets geen aantoonbare learning advantage ontwikkelen, is de data-moat kleiner dan verwacht. Wanneer hardwareprijzen dalen maar cost per completed task nauwelijks verbetert, zijn integration, maintenance en supervision waarschijnlijk veel grotere kostenposten dan de bullcase veronderstelt.

Wanneer repeat orders uitblijven, hebben klanten de ROI waarschijnlijk niet gevonden. En wanneer China enorme hoeveelheden goedkope hardware produceert zonder dat de eindmarkt even snel groeit, kan overcapaciteit de economics van de hele hardwarelaag aantasten.

Dat zijn veel belangrijkere signalen dan een robot die tijdens een demonstratie kan rennen, dansen of dozen stapelen.

Conclusie

De markt onderschat naar onze mening nog steeds Physical AI omdat zij probeert een nieuwe economische infrastructuur te waarderen met de maatstaven van de oude roboticasector. De eerste AI-revolutie maakte intelligence digitaal schaalbaar; Physical AI probeert die intelligence nu fysiek uitvoerbaar te maken. Dat is een veel grotere stap dan alleen een betere robot.

Capgemini ziet 79% van grote ondernemingen al met Physical AI bezig en 27% daadwerkelijk deployen of opschalen. BCG ziet paybackperioden mogelijk dalen van vijf tot zeven jaar naar één tot drie jaar, engineeringtijd tot 70% afnemen en de economisch automatiseerbare scope circa 50% groeien. McKinsey ziet minstens $1 biljoen economische waarde richting 2040. ABI Research ziet alleen robotics foundation models al richting circa $150 miljard gaan. IFR laat ondertussen zien dat er al ongeveer 4,66 miljoen industriële robots operationeel zijn en jaarlijks meer dan een half miljoen nieuwe systemen worden geïnstalleerd.

Daar bovenop komen veel grotere langetermijnscenario's. Goldman Sachs ziet een humanoidmarkt van circa $38 miljard in 2035, J.P. Morgan verwijst naar scenario's van circa $300 miljard humanoid sales in datzelfde jaar en Morgan Stanley ziet tegen 2050 een potentiële humanoid-economie van ongeveer $5 biljoen met mogelijk meer dan één miljard machines.

Maar de belangrijkste conclusie is juist dat Physical AI niet afhankelijk is van die humanoidscenario's. Manufacturing kan eerder veranderen, logistics kan eerder veranderen, autonomous mobility kan eerder veranderen, bestaande robotarmen kunnen eerder slimmer worden, industrial automation kan eerder software-defined worden en ondernemingen kunnen veel eerder ontdekken dat intelligente machines hun rendement op geïnvesteerd kapitaal verhogen.

Tegelijkertijd moeten de risico's niet worden afgezwakt. Real-world data is schaars, dexterity is nog onvoldoende, safety is onopgelost, human interventions zijn bij veel systemen te hoog, general-purpose robots kunnen jaren later komen dan verwacht en Chinese productie kan enorme volumes combineren met vernietigende prijsconcurrentie.

Daarom draait de komende fase niet om wie de spectaculairste robotvideo publiceert. De beslissende cijfers worden veel saaier: pilot conversion, autonomous uptime, interventions per hour, cost per completed task, repeat orders en fleet learning.

Als die cijfers de komende twee jaar structureel verbeteren en BCG's verschuiving van vijf tot zeven jaar payback richting één tot drie jaar daadwerkelijk zichtbaar wordt, verandert de investeringscase fundamenteel. Dan gaat Physical AI niet langer over de vraag wanneer robots eindelijk op mensen gaan lijken, maar over iets veel groters: hoeveel van de wereldwijde fysieke economische output voor het eerst rechtstreeks door kunstmatige intelligentie kan worden beïnvloed.

Dat is de echte revolutie, en precies die revolutie lijkt de markt nog steeds te onderschatten.

Wil je alle artikelen kunnen lezen en elke podcast beluisteren? Neem dan een abonnement en krijg toegang tot alle artikelen en de database met duizenden berichten.

English

Physical AI: Why the Market Is Still Underestimating the Next Major Phase of the AI Revolution

■ In our view, the market is still underestimating the true scale of Physical AI. The mistake is not that Wall Street is ignoring robotics, but that the development is too often modeled as a market for robots and humanoids, while ultimately it is about connecting artificial intelligence to the physical economy. Capgemini Research Institute finds that 79% of large companies are already engaged with Physical AI and 27% are actively deploying or scaling it. At the same time, BCG sees payback periods for advanced robotics falling from five to seven years to just one to three years. That is the critical combination: the technology is improving while the economic threshold for deploying it is falling rapidly.
■ The potential economic market is therefore far larger than the current revenue of robot manufacturers suggests. McKinsey sees robotics and Physical AI creating at least $1 trillion of economic value by 2040, while broader analysis of agents and robots suggests that nearly 60% of working hours could theoretically be affected by these two technologies. ABI Research sees robotics foundation models alone growing into an approximately $150 billion market by 2036. J.P. Morgan now points to scenarios in which humanoid sales could rise from roughly $2 billion in 2025 to around $300 billion by 2035, while Morgan Stanley sees a potential humanoid economy of approximately $5 trillion and more than one billion machines in operation over the much longer term. These forecasts are emphatically not certainties, but they illustrate just how wide the range of potential outcomes has become.
■ The most important development is not that robots can suddenly do everything, but that the economics of automation are changing. BCG sees engineering time for new applications falling by as much as 70% and the economically automatable scope increasing by roughly 50%. In traditional robotics, approximately 75% of implementation costs can be associated with integration, setup and engineering. If Physical AI reduces precisely those costs, applications that have been technologically possible for years can become financially rational for the first time. The most important financial KPI will therefore not be a robot's IQ, but cost per completed task.
■ At the same time, the technology is less mature than spectacular videos suggest. Real-world data, dexterity, tactile sensing, sim-to-real transfer, autonomous uptime, interventions per hour, energy consumption, safety, certification and integration remain hard constraints. Capgemini finds that 72% of executives cite technical immaturity in humanoids, 63% high costs and more than 60% insufficiently clear ROI. A current reality check comes from the robotics industry itself: in August 2026, expectations for a ChatGPT moment for robot brains range from late 2027 to several years later, while broad commercial implementation could take another four to five years even according to optimistic industry participants.
■ The second underestimation is geopolitical. China installed approximately 295,000 industrial robots in 2024, representing 54% of the global total of 542,000, while roughly 4.66 million industrial robots are now operating worldwide. Morgan Stanley, Goldman Sachs, BCG, Capgemini, ABI Research, IFR, IDC, TCS and other major research organizations approach the theme from different directions, but the common thread is becoming increasingly clear: Physical AI will not become a standalone robotics sector. It will become a new computing, automation, components, energy, data and productivity stack. That is precisely where we believe the underestimation lies.

From generative AI to Physical AI

The first major AI wave took place almost entirely in the digital world. Models learned to write text, produce software code, generate images, search, analyze and eventually execute digital tasks autonomously. Wall Street has now learned how to understand that value chain: more AI requires more compute, which drives demand for GPUs, networking, memory, data centers, cooling and electricity. The enormous capital cycle created by this development is now clearly visible in the investment budgets of the world's largest technology companies.

Physical AI adds a fundamentally new dimension because intelligence gains a physical execution mechanism. Cameras, LiDAR, radar and other sensors provide perception; foundation models and world models attempt to understand the environment; planning software determines what needs to happen; actuators, motors and machines physically execute the decision. Information about the result then flows back into the system. AI therefore evolves from a technology that mainly processes information into one that can ultimately influence physical economic output.

That distinction is essential. A language model can explain how a product should be manufactured, while Physical AI can ultimately help manufacture the product itself. An agent can identify a logistics bottleneck, after which Physical AI can redistribute machines to resolve that bottleneck physically. A model can recognize a damaged component, after which a robot can remove, replace and inspect it. This creates a closed cycle of perception, reasoning, planning, action and learning. That is the core of Physical AI.

Why the market is looking at the wrong TAM

A significant part of the market looks at Physical AI and asks how many robots or humanoids can ultimately be sold. That is understandable, but probably too narrow, because a manufacturer does not buy a robot because it wants to own a robot. It buys throughput, uptime, flexibility, yield, safety and lower production costs. A logistics company does not buy an autonomous mobile robot for the hardware itself, but to move more goods per hour at lower cost. A hospital does not automate a transport task because it wants the robot, but because scarce staff can then spend more time with patients.

The ultimate TAM is therefore not simply robot price multiplied by number of robots. The much more important question is what portion of physical economic output can be influenced by intelligent machines. Viewed that way, the opportunity becomes fundamentally larger.

The boardroom is already running ahead of revenue

Capgemini Research Institute's work is particularly relevant here. Its study covered 1,678 executives at companies generating more than $1 billion in revenue across sixteen countries and fifteen industries. It therefore measures the plans of potential customers rather than the expectations of robot manufacturers.

79% of organizations are already engaged with Physical AI and 27% are now in deployment or scaling. Roughly two-thirds consider Physical AI a high priority on the automation agenda over the next three to five years, while 60% expect the technology to make robotics viable for applications that were previously impossible or economically impractical. That does not mean revenue explodes tomorrow, but it does mean the technology adoption funnel is already filling.

High tech stands out at 93% priority, warehousing and logistics at 69%, and agriculture at 59%. At the same time, 43% explicitly see Physical AI as a technology capable of supporting domestic production and reshoring. The latter could ultimately become more important at the macroeconomic level than the robotics market itself.

Labor shortages change the economic equation

The traditional automation case was largely a comparison between labor costs and capital costs. Physical AI, however, is emerging at a time when many economies face structural aging and shortages of technical and operational workers. That changes the equation.

When a worker is available, a company compares that employee's total cost with the cost of a machine. When the worker simply is not available, the relevant comparison becomes the cost of automation versus lost production, lower asset utilization or unfulfilled orders. A robot then does not even need to be cheaper than a human; it needs to be cheaper than the economic output that would otherwise be lost.

That helps explain why labor shortages are becoming a more important driver than labor costs alone. It also explains why Physical AI could become particularly relevant in manufacturing, logistics, healthcare, agriculture and other sectors where labor availability is increasingly becoming an operational constraint.

BCG shows why ROI ultimately matters more than spectacular demonstrations

For investors, perhaps the most important Physical AI number is not a technological number at all. BCG sees payback periods for advanced robotics falling from roughly five to seven years to one to three years, and that fundamentally changes capital allocation.

A project with a six-year payback period may never clear an investment committee at many companies, while a comparable project with a two-year payback can comfortably exceed the internal hurdle rate. A relatively modest technological improvement can therefore create a disproportionately large increase in automation demand.

BCG also sees engineering time for new applications declining by as much as approximately 70% and the scope of economically automatable work increasing by roughly 50%. That matters because in traditional robotics the robot itself is often not the biggest problem. Approximately 75% of implementation costs can be associated with engineering, setup and integration. A machine capable of executing only one precisely defined action must be programmed, tested and reconfigured every time the process changes. Physical AI attempts to remove precisely that rigidity.

A robot does not need to become human to become economically revolutionary

This distinction gets lost in many market analyses. Physical AI does not have to wait for a humanoid capable of doing almost everything a human can do. An existing industrial robot that can handle twenty variations of a task through improved perception and planning software instead of five can already become dramatically more valuable economically.

The same applies to a warehouse robot capable of handling exceptions more effectively, an inspection robot capable of independently assessing unfamiliar situations or a surgical system capable of supporting a physician more intelligently. Physical AI can therefore become commercially relevant much faster than general-purpose humanoids, and this is why the market can simultaneously underestimate Physical AI and overestimate humanoids in the short term.

The existing robot base is already enormous

Approximately 542,000 industrial robots were installed worldwide in 2024. That was more than twice the number installed ten years earlier and represented the fourth consecutive year in which annual installations exceeded half a million units. Approximately 4.66 million industrial robots are now operating worldwide.

That is an enormously important starting point because Physical AI does not begin with an empty installed base. Millions of machines can theoretically become more intelligent through better vision, perception, planning, simulation and control. Looking only at new robot shipments is therefore again too narrow: software-defined capabilities can increase the economic value of existing hardware.

Robotics software is beginning the same transition seen in earlier computing platforms

Traditional robotics is tightly bound to individual machines and tasks. Software for a welding robot is designed for welding, while a pick-and-place machine is configured for a specific workflow. Every new application requires engineering again. Robotics foundation models are attempting to fundamentally change that architecture.

The objective is to develop intelligence that can transfer across tasks and eventually across different robot bodies. Vision-Language-Action models connect what a machine sees to natural language and then to physical actions, while world models attempt to learn how the physical world is likely to respond before the robot actually moves.

ABI Research sees this robotics foundation-model layer alone reaching approximately $150 billion by 2036. Within that forecast, manufacturing represents roughly $30 billion, warehousing and logistics around $21 billion, healthcare approximately $16 billion and restaurants, retail and hospitality together another roughly $27 billion. That once again demonstrates why humanoids represent only one part of the revolution.

Research progress is accelerating rapidly

Research developments in June, July and August 2026 underline how rapidly the architecture is changing. New embodied foundation models increasingly combine perception, task planning, correction and physical grounding within a single model. Recent systems are also being trained on billions of tokens and then converted into Vision-Language-Action models using relatively limited additional robot data.

That matters because the traditional robotics workflow was almost the exact opposite: intelligence was built largely from scratch around one specific machine. If foundation models can increasingly carry generic physical knowledge with them, the marginal amount of data required for a new application could ultimately fall sharply.

This may contain the same economic force that accelerated generative AI: the reuse of pretrained intelligence. But Physical AI is considerably harder because a bad prediction does not merely generate the wrong word; it generates the wrong physical action.

Real-world data is probably the most important scarce resource

Generative AI had an extraordinary advantage at its breakthrough: the internet already existed. Trillions of words, billions of images, videos, software code and other digital resources were available. There is no equivalent internet of physical interactions for robotics.

A robot needs to understand how much force is required to grip an object, how a cable moves, how fabric deforms, what happens when a box shifts, how slippery a surface is and how humans unexpectedly move through an environment. Much of that data still needs to be created.

That makes recent comments from the Chinese robotics industry particularly interesting. A major embodied-AI participant estimated that the entire industry has accumulated only around 100,000 hours of relevant high-quality physical training data in recent years. The ambition is to use sensor-equipped workers and real production environments to collect tens of millions of hours within two years. If successful, that changes the scale of the problem, but above all it demonstrates how early we still are.

The potential data flywheel could create one of the strongest moats

More machines in the real world mean more interactions, more interactions produce more data and more data can improve models. Better models can reduce human interventions, fewer interventions lower operating costs and increase autonomous uptime, and better ROI subsequently drives more deployments, creating still more data.

That is the Physical AI flywheel: more deployments generate more data, that data improves intelligence, better intelligence increases reliability, higher reliability lowers costs, lower costs improve ROI and better ROI drives more deployments. If this mechanism genuinely emerges, fleet scale could become a much larger competitive moat than many investors currently model. But the flywheel first needs to be proven.

Simulation can reduce the data bottleneck, but it cannot eliminate it

It is practically impossible to train modern AI models exclusively through physical robots. Machines are expensive, real-world experiments are slow and mistakes can cause physical damage. Simulation solves part of this problem because thousands or even millions of virtual agents can train in parallel, rare situations can be reproduced endlessly and synthetic data can create scenarios barely available in reality.

The weak point remains sim-to-real transfer. The real world contains sensor noise, changing lighting, variable friction, wear, unexpected objects, humans and thousands of other exceptions that simulation never reproduces perfectly. Every spectacular benchmark must therefore eventually pass the same test: does it also work for thousands of hours in a real factory or warehouse?

Interventions per hour will become a critical financial KPI

Suppose a robot performs 95% of its tasks autonomously. That sounds almost solved, but if it performs sixty tasks per hour, a 5% failure rate still means three human interventions every hour. If an employee has to remain continuously available to resolve problems, much of the expected labor saving can disappear.

Professionals will therefore ultimately need to track metrics other than benchmark scores: interventions per hour, autonomous uptime, first-pass completion rate, cycle time, mean time between failures and cost per completed task. The last metric is ultimately decisive.

Cost per completed task is the financial truth

A $30,000 robot can be more expensive than a $100,000 robot if the cheaper machine constantly requires human assistance. Relevant costs include purchase price, depreciation, software, maintenance, energy, connectivity, integration, downtime and human supervision. Those total costs need to be divided by the number of tasks actually completed successfully.

That produces cost per completed task. If Physical AI can structurally push this metric below human alternatives, economic scale emerges. If it cannot, a large part of Physical AI remains a technological experiment.

Dexterity may become the true binding constraint

Spectacular progress in humanoid locomotion can create the wrong impression about how close we are to general-purpose robotics. Walking is difficult, but manipulation may be even harder.

A human hand can manipulate a soft bag, cable, glass, screw, fabric or heavy tool without conscious planning. Our fingers continuously adjust grip force through tactile feedback. Robots still need to learn much of that combination of perception, force control, planning and tactile sensing.

Actuators, precision motors, torque sensors, tactile sensors, encoders and hand systems may therefore become strategically more important than the spectacular humanoid itself. A machine that can walk but needs assistance every few minutes when using its hands creates very little labor leverage.

Energy creates a second physical boundary

Digital AI can consume increasingly large amounts of compute inside a data center, while a mobile robot has to carry its energy with it. More compute can increase intelligence but consumes more power, while a larger battery increases runtime but adds weight. More weight subsequently raises energy consumption again and may require larger actuators.

A distributed computing architecture is therefore likely to emerge. Heavy training takes place in data centers, simulation runs on specialized infrastructure, fleet intelligence can be organized at the edge and latency-critical motor control has to run locally. Physical AI can therefore create an entirely new computing stack extending far beyond robotics itself.

Safety is not a disclaimer but an economic bottleneck

A wrong chatbot response and a wrong robot movement have fundamentally different consequences. Physical AI introduces probabilistic intelligence into environments where machines move alongside people. Safety certification, liability, insurance, cybersecurity and governance therefore become direct parts of unit economics.

Capgemini finds that 73% of executives see safety and the lack of established standards as a significant barrier, 62% cite technology readiness including reliability and performance, and 53% cybersecurity. For humanoids the problem becomes even clearer: 72% cite technical immaturity involving reliability and dexterity, 63% high costs and more than 60% insufficiently clear ROI.

The technology can therefore look impressive years before it reaches commercial scale.

Even the industry does not know when the true inflection point arrives

The latest signals from August 2026 illustrate how large the uncertainty remains. One prominent Chinese embodied-AI company expects a ChatGPT moment for robot brains by the end of 2027, driven by world models and much larger amounts of environmental data. But even under that optimistic scenario, broad commercial implementation is expected to take another four to five years.

Other leaders in China's robotics industry talk about two to three years before a fundamental breakthrough in robot intelligence may become visible, while more skeptical technologists expect a substantially longer period. That is precisely why a professional investment model should not draw a straight exponential line toward 2035. The direction can be right while the timing is wrong by years.

Manufacturing is probably the first major scale market

Manufacturing offers an ideal combination for early Physical AI adoption: relatively controlled environments, high asset values, clear KPIs, extensive existing automation and direct financial value from higher uptime. That helps explain why high tech ranks at 93% in the Capgemini research.

In semiconductor, electronics, automotive and other capital-intensive factories, Physical AI does not even need to replace huge numbers of workers to create value. Higher yield, lower downtime, faster changeovers and improved asset utilization can already be sufficient. Here Physical AI changes from a labor-saving story into a return-on-invested-capital story, and that is financially much more interesting.

Logistics can provide the first hard proof of economics

Warehousing and logistics rank very highly at 69% and represent an approximately $21 billion foundation-model opportunity by 2036 according to ABI Research. The sector has a major advantage for investors: almost everything is measurable.

Picks per hour, cost per order, interventions per shift, order accuracy, utilization, dock-to-stock time and throughput can all be compared before and after implementation. If Physical AI genuinely works, these numbers should improve. Logistics could therefore become one of the first places where hype can genuinely be tested against economic results.

Healthcare could become enormous, but probably more slowly

ABI Research sees approximately $16 billion of robotics-foundation-model opportunity in healthcare by 2036. The economic logic is different here: the issue is not solely labor replacement but improving the productivity of scarce medical staff, hospital logistics, rehabilitation, precision and support for procedures.

The value per successful task can therefore be extremely high, but so can the cost of failure. Certification, liability and safety will therefore probably mean that healthcare scales more slowly than warehouses and factories even if the eventual economic opportunity is enormous.

Agriculture, construction, energy and defense form important second waves

Agriculture ranks surprisingly high at 59% in the Capgemini research. Labor shortages, seasonal work and physically demanding tasks make automation attractive, but these sectors face a different problem: their environments are difficult to standardize.

A factory can be designed around the robot, while a farm, construction site, mine, energy installation or disaster area cannot. True Physical AI may ultimately deliver its largest technological leap precisely there because machines have to deal with continuously changing environments.

Defense has another economic function again. Avoiding human risk can matter more than pure labor ROI.

Reshoring could become an underestimated macroeconomic effect

43% of surveyed executives see Physical AI as a potential enabler of domestic production. That number deserves far more attention.

One of the primary arguments against manufacturing in the US and Western Europe is higher labor costs. When the number of labor hours required per unit falls sharply, that cost differential becomes less decisive. Transportation costs, supply-chain security, intellectual property, geopolitics, energy and speed then gain greater importance.

Physical AI could therefore change not only how goods are manufactured, but ultimately also help change where they are manufactured.

China has an advantage that cannot be ignored

Of the 542,000 industrial robots installed worldwide in 2024, approximately 295,000 were installed in China. That is 54%.

China now has more than two million operational industrial robots and Chinese manufacturers supplied approximately 57% of robots in their domestic market for the first time, compared with around 28% a decade earlier.

The US installed approximately 34,200 industrial robots in 2024. US robot density is around 307 robots per 10,000 manufacturing employees. The difference in absolute scale is enormous.

China is building not only robots but a data industry

That installed base creates supplier density, manufacturing experience, maintenance knowledge, integration capabilities and, most importantly, growing amounts of real-world interaction data.

The recent Chinese strategy demonstrates how seriously this is being pursued. Robotics companies are attempting to use sensor-equipped workers to collect enormous datasets of real human movement, and some companies are now targeting tens of millions of hours within a few years.

China can therefore attempt to build the same flywheel it previously created in EVs, batteries and solar: mass production lowers costs, lower costs increase adoption, adoption creates scale and scale finances further technological improvement. Physical AI is therefore becoming part of industrial policy.

The US and China control different parts of the stack

US strength lies primarily in frontier AI, semiconductor design, cloud infrastructure, research, software and capital markets. China possesses enormous capacity in manufacturing, motors, batteries, power electronics, sensors and other hardware.

Japan and South Korea hold strong positions in precision components, reducers, actuators, memory and manufacturing equipment, while Europe retains important industrial automation, engineering and machinery capabilities.

The ultimate Physical AI winner therefore does not have to be one country or one company. This will be a competition between complete ecosystems.

Components may generate better economics than robots

An advanced robot contains dozens of technologically difficult components: actuators, harmonic reducers, motors, encoders, force-torque sensors, tactile sensing, vision, processors, batteries, power electronics and connectivity. A classic picks-and-shovels opportunity can emerge here.

If hundreds of robot manufacturers ultimately build similar machines but all depend on a limited number of high-quality component suppliers, economics may accrue disproportionately to those suppliers. That is an important distinction between an attractive end market and an attractive stock, and it is precisely where institutional Physical AI analysis needs to become much sharper.

Software could commoditize faster

The opposite side of the same development is that foundation models could commoditize certain software layers more quickly. If powerful robotics intelligence becomes broadly available, every robot manufacturer may no longer need to develop an entire proprietary intelligence stack.

Economics could shift toward proprietary data, reliability, specialized hardware, integration and distribution. The Physical AI market could therefore become enormous while margins in certain software layers actually decline. A rising TAM never automatically means rising returns on capital.

Humanoids are the most spectacular market, but not necessarily the best one

Humanoids have one enormous advantage: our physical world is designed for people. Stairs, doors, tools, workbenches, warehouse shelves and vehicles are designed around the human form. A machine with approximately the same geometry can therefore use existing infrastructure.

But the technical cost is enormous. A humanoid must solve locomotion, balance, perception, planning, dexterity, manipulation, energy management and safety simultaneously. That is why forecasts remain so broad.

Goldman Sachs previously increased its long-term humanoid market forecast by more than sixfold, from approximately $6 billion to around $38 billion by 2035. The associated shipment scenario reaches approximately 1.4 million units in 2035.

Morgan Stanley goes substantially further over the much longer term, seeing a potential humanoid economy of around $5 trillion by 2050 with possibly more than one billion humanoids in use. J.P. Morgan now points to analyst scenarios in which humanoid sales rise from approximately $2 billion in 2025 to around $300 billion by 2035.

The dispersion between those forecasts tells the most important story: the potential market is enormous, but nobody yet knows how quickly we get there.

Autonomous mobility belongs inside Physical AI as well

A major mistake is to equate Physical AI exclusively with robots that have arms and legs. Autonomous vehicles are physical AI systems as well. They need to combine perception, prediction, planning and action in real time inside an unstructured physical environment.

Autonomous mobility therefore belongs to the same structural development. Institutional scenarios for this market are similarly enormous. J.P. Morgan now refers to estimates in which autonomous-vehicle sales could rise from approximately $1 billion in 2025 toward roughly $750 billion in 2035.

That once again demonstrates why the total Physical AI opportunity can be much larger than humanoid robotics alone.

The capital cycle has already started

Private capital has already recognized the shift. Robotics and embodied-AI startups are attracting billions of dollars in new capital and funding has accelerated further in 2026. That is rational if the market is genuinely moving toward a new platform cycle, but it also creates risk.

If venture capital grows faster than commercial revenue, valuations become detached from proven economics. The same selection process then emerges that virtually every technological revolution eventually experiences: the sector grows spectacularly while a large percentage of individual companies disappear.

A strong Physical AI thesis must therefore be able to remain bullish on the revolution while being highly critical of individual companies.

The bull case

The true bull case emerges when three curves turn simultaneously. First, foundation models and world models need to dramatically reduce the amount of engineering required for each new application. Second, hardware, component and integration costs need to continue declining. Third, fleet learning needs to demonstrably reduce human interventions.

If that happens, the complete flywheel emerges. More deployments create more data, more data improves intelligence, better intelligence increases reliability, higher reliability lowers cost per completed task, lower costs shorten payback periods and shorter payback periods drive more deployments.

Physical AI could then scale much faster than linear market models predict.

The bear case

But the bear case is at least as important. General-purpose Physical AI could arrive five to ten years later than the most optimistic expectations. Dexterity may prove much harder than perception and language, real-world data may fail to generalize sufficiently and simulation could produce fantastic benchmarks that fail inside actual factories.

Human supervision may remain necessary for far longer than expected, safety certification could delay deployment and cybersecurity and liability could increase total costs.

And then there is China. Chinese mass production could reduce hardware costs so rapidly that volumes grow enormously while margins collapse. EVs, batteries and solar have already shown that a gigantic market does not automatically create extraordinary shareholder returns.

Physical AI can therefore become an economic revolution while dozens of Physical AI companies prove to be poor investments.

What needs to be proven before the end of 2028

The next 24 to 28 months are therefore far more important than a theoretical TAM for 2040 or 2050.

The first metric is pilot-to-production conversion. A pilot proves that technology can work, while a rollout across twenty, fifty or one hundred sites proves that the economics work. Interventions per hour then need to decline structurally, autonomous uptime needs to increase, first-pass completion needs to improve, mean time between failures needs to rise and cycle time needs to become at least competitive with human workflows.

Cost per completed task then needs to be calculated including hardware, depreciation, software, maintenance, energy, integration and supervision. Finally, the data flywheel needs to become visible: a fleet of 10,000 machines needs to demonstrably learn faster than a fleet of one hundred.

If that does not happen, one of Physical AI's most important scale advantages is much smaller than expected.

Investment view

Our structural Investment view on Physical AI is positive, but precisely for that reason the value chain needs to be analyzed selectively.

The first interesting layer consists of bottlenecks required by virtually every Physical AI machine: compute, memory, perception, precision motion, actuators, sensing, power electronics, batteries and connectivity. Attractiveness depends on technological differentiation, pricing power and how rapidly Chinese competition commoditizes the hardware.

The second layer consists of foundation models, world models, simulation, synthetic data and orchestration. This market can become highly scalable, but open models and rapidly falling inference costs could commoditize part of the software value.

The third layer is integration. This segment is frequently underestimated. If a company can spend 75% of traditional implementation costs on setup, engineering and integration, whoever actually makes Physical AI work inside an existing factory can control an enormous value pool.

The fourth layer consists of end users. A manufacturer that uses Physical AI to achieve structurally higher asset utilization, better yield, lower labor intensity and shorter production times could ultimately become a larger stock-market winner than the company selling the robot.

The largest winner from Physical AI therefore does not have to be a robot manufacturer at all.

What would change our view

A professional investment thesis has to be falsifiable. If pilot-to-multisite conversion remains weak toward the end of 2028, expectations should come down. The same applies if interventions per hour fail to decline sufficiently.

If larger fleets fail to develop a demonstrable learning advantage, the data moat is smaller than expected. If hardware prices fall while cost per completed task barely improves, integration, maintenance and supervision are probably much larger cost components than the bull case assumes.

If repeat orders fail to materialize, customers probably have not found sufficient ROI. And if China produces enormous quantities of cheap hardware without equivalent end-market growth, overcapacity can damage the economics of the entire hardware layer.

Those signals are much more important than a robot capable of running, dancing or stacking boxes during a demonstration.

Conclusion

In our view, the market is still underestimating Physical AI because it is attempting to value a new economic infrastructure using the yardsticks of the old robotics industry. The first AI revolution made intelligence digitally scalable; Physical AI is now attempting to make that intelligence physically executable. That is a much larger step than simply building a better robot.

Capgemini finds that 79% of large companies are already engaged with Physical AI and 27% are actively deploying or scaling it. BCG sees payback periods potentially declining from five to seven years to one to three years, engineering time falling by as much as 70% and the economically automatable scope increasing by roughly 50%. McKinsey sees at least $1 trillion of economic value by 2040. ABI Research sees robotics foundation models alone approaching approximately $150 billion. IFR meanwhile shows that approximately 4.66 million industrial robots are already operating and more than half a million new systems are being installed annually.

On top of that come much larger long-term scenarios. Goldman Sachs sees a humanoid market of approximately $38 billion by 2035, J.P. Morgan points to scenarios of roughly $300 billion in humanoid sales in that same year and Morgan Stanley sees a potential humanoid economy of approximately $5 trillion by 2050 with potentially more than one billion machines.

But the most important conclusion is precisely that Physical AI does not depend on those humanoid scenarios. Manufacturing can change earlier, logistics can change earlier, autonomous mobility can change earlier, existing robotic arms can become smarter earlier, industrial automation can become software-defined earlier and companies can discover much earlier that intelligent machines increase their return on invested capital.

At the same time, the risks should not be softened. Real-world data is scarce, dexterity remains insufficient, safety remains unresolved, human interventions remain too high across many systems, general-purpose robots could arrive years later than expected and Chinese manufacturing could combine enormous volumes with destructive price competition.

The next phase therefore will not be decided by whoever publishes the most spectacular robot video. The decisive numbers will be much more mundane: pilot conversion, autonomous uptime, interventions per hour, cost per completed task, repeat orders and fleet learning.

If those numbers improve structurally over the next two years and BCG's shift from five-to-seven-year payback periods toward one to three years becomes visible in real deployments, the investment case changes fundamentally. Physical AI will then no longer be about when robots finally begin to look like humans, but about something much larger: how much of global physical economic output can, for the first time, be directly influenced by artificial intelligence.

That is the real revolution, and that is precisely the revolution the market still appears to be underestimating.