Zum Inhalt springen
Archiv 30. Juli 2026

Google zieht Agenten jetzt in den physischen Workflow: Warum Gemini Robotics ER 2 mehr ueber Runtime-Design verraet als ueber Roboter

KI-Hinweis: Dieser Beitrag wurde mit Unterstuetzung von KI erstellt und redaktionell eingeordnet.

Google hat am 30. Juli 2026 mit Gemini Robotics ER 2 einen neuen Robotik-Launch veroeffentlicht. Man kann das als weitere Demo fuer physische KI lesen. Ich halte die Meldung fuer interessanter. Google zeigt hier, wie die Runtime fuer physische Agenten aussehen soll: mit Live-Streaming, Tool-Orchestrierung, Fortschrittskontrolle und koordinierter Arbeit ueber mehrere Maschinen hinweg.

Genau das ist fuer menzel.works relevant. Denn der eigentliche Lernwert sitzt nicht nur in der Robotik selbst. Er sitzt in der Frage, wie Agenten in unordentlichen Echtzeitumgebungen geplant, ueberwacht und sauber weitergefuehrt werden. Wenn diese Logik im physischen Raum funktionieren soll, sagt das viel ueber die naechste Reifestufe agentischer Workflows allgemein aus.

Was Google konkret neu gestartet hat

Laut Google ist Gemini Robotics ER 2 ab heute oeffentlich fuer Entwickler ueber die Gemini API und Google AI Studio verfuegbar; in der Gemini Enterprise Agent Platform laeuft das Modell zunaechst als Private Preview. Dazu kommen laut offizieller Gemini-API-Dokumentation zwei Endpunkte:

  • gemini-robotics-er-2-preview fuer Embodied Reasoning, Tool-Orchestrierung und Videoverstaendnis
  • gemini-robotics-er-2-streaming-preview fuer den Live-API-Betrieb mit niedriger Latenz

Im Kern beschreibt Google das Modell als High-Level-Gehirn fuer Roboter. Es plant mehrstufige Aufgaben, versteht Video-, Audio-, Bild- und Textkontext, kann Funktionen aufrufen und uebergibt die eigentliche Motorik an niedrigere Steuerungsmodelle oder Robotik-APIs. Genau dadurch wirkt der Launch weniger wie ein einzelnes Robotikmodell und mehr wie eine agentische Laufzeit fuer physische Arbeit.

Die eigentliche Nachricht: Physische Agenten bekommen dieselbe Grundlogik wie digitale Agenten

Google nennt mehrere Faehigkeiten, die aufhorchen lassen:

  • Task orchestration: Das Modell kann mehrstufige Aufgaben in Live-Loops planen und an VLA-Modelle oder Robotik-APIs delegieren.
  • Progress classification: ER 2 soll den Fortschritt einer Aufgabe aus kontinuierlichem Video in Stufen erkennen koennen.
  • Moment finding: Das Modell soll den exakten Moment identifizieren, in dem ein Teilschritt wirklich abgeschlossen ist.
  • Multi-robot collaboration: Mehrere Maschinen koennen laut Google Aufgaben ueber eine gemeinsame semantische Sicht koordinieren.
  • Live API: Fuer Streaming-Szenarien setzt Google auf bidirektionale, zustandsbehaftete Sessions mit blockierenden Tool-Aufrufen fuer physische Aktionen.

Das klingt nach Robotik-Details, ist aber eigentlich eine ziemlich klare Agentenbotschaft. Google uebertraegt die Logik moderner Software-Agenten jetzt sichtbar in die physische Welt: dauerhafte Session statt Einmal-Prompt, Funktionsaufrufe statt nur Text, Fortschrittspruefung statt blindem Weiterlaufen und koordinierte Teilarbeit statt einzelner monolithischer Antworten.

Warum das mehr ist als eine neue Roboter-Demo

Viele Agenten-Produktseiten tun so, als sei Planung das Problem und der Rest nur Ausfuehrung. In der echten Welt ist es oft umgekehrt. Der schwierige Teil ist nicht nur der Plan, sondern zu merken, ob eine Aufgabe wirklich fertig ist, ob ein Zwischenschritt schiefging und ob der naechste Schritt jetzt schon sinnvoll ist.

Genau deshalb finde ich an ER 2 die Video- und Fortschrittsschicht spannender als die ueblichen Roboterbilder. Wenn ein System erkennen soll, ob eine Kaffeetasse voll ist, eine Muelltuete korrekt verknotet wurde oder ein Gegenstand wirklich gegriffen wurde, dann reicht allgemeine Sprachgewandtheit nicht. Dann braucht es Zustandsbeobachtung, saubere Uebergabepunkte und Runtime-Disziplin.

Das passt auffaellig gut zu Linien, die auf menzel.works zuletzt schon bei digitalen Agenten sichtbar waren. Bei Conductor ging es um portable Planungsschichten. Bei Agentic RAG mit „sufficient context“ wurde klar, dass ein Agent wissen muss, wann seine Wissensbasis noch nicht reicht. Und bei Parallel Web Grounding war zu sehen, wie Google Kontextquellen modular in seine Agentenplattform zieht. ER 2 setzt dieselbe Denkweise nun fuer die physische Ausfuehrung fort.

Besonders wichtig fuer Workflow-Leute: „done“ wird zur Systemfrage

Fuer Teams, die mit Coding-, Support- oder Research-Agenten arbeiten, klingt Robotik erstmal weit weg. Ich glaube trotzdem, dass der Launch praktisch relevant ist. Denn die physische Welt zwingt Google dazu, ein altes Agentenproblem offen zu adressieren: Woran erkennt ein System, dass ein Schritt erfolgreich abgeschlossen wurde?

Im Chat laesst sich diese Frage oft ueberspielen. Im Terminal oder im Browser wird sie schon haerter. Bei Robotern wird sie brutal konkret. Eine Runtime, die nicht sauber pruefen kann, ob ein Zustand erreicht wurde, ist weder im Lager noch im Browser noch in laengeren Tool-Loops wirklich belastbar.

Genau deshalb ist der Schritt fuer mich blogtauglich. Nicht weil nun ploetzlich jeder Leser einen Roboterarm betreibt. Sondern weil Google hier zeigt, dass brauchbare Agenten immer staerker als fortlaufende Kontroll- und Orchestrierungssysteme gebaut werden, nicht nur als geschmeidige Antwortmaschinen.

Auch die API-Seite ist ein deutliches Signal

Die heute veroeffentlichte Gemini-API-Dokumentation macht die Richtung noch klarer. Physische Aktionen sollen als blockierende Function Calls modelliert werden, damit das Modell erst weiterplant, wenn der reale Schritt abgeschlossen ist. Fuer Streaming-Szenarien setzt Google auf persistente Live-Sessions mit Audio-, Bild- und Textinput. Gleichzeitig nennt der Changelog schon den naechsten Lifecycle-Schritt: ER 1.6 wird am 31. August 2026 abgeschaltet.

Das ist mehr als Modellpflege. Es zeigt, dass Google Robotik nicht nur als isoliertes DeepMind-Projekt behandelt, sondern in dieselbe API- und Produktlogik zieht wie andere Gemini-Agentenfaelle.

Wo ich trotzdem vorsichtig waere

Natuerlich bleibt der Launch stark von Googles eigener Rahmung gepraegt. Die Demos sind sauber kuratiert, die Safety-Hinweise deutlich und die Einsatzgrenzen wichtig. Die Model Card warnt ausdruecklich davor, die Modelle fuer sicherheitskritische Bereiche wie Gesundheit oder Transport einzusetzen. Das ist keine Nebensache.

Ausserdem bleibt offen, wie robust diese Orchestrierung ausserhalb gut vorbereiteter Umgebungen wirklich ist. Multi-Robot-Koordination, Videoverifikation und Live-Tool-Steuerung klingen stark, muessen sich aber im Alltag erst gegen Latenz, Fehlgriffe, Sensorchaos und Ausnahmefaelle bewaehren.

Mein Fazit

Google veroeffentlicht mit Gemini Robotics ER 2 nicht nur einen neuen Robotik-Baustein. Google zeigt, wie ernst die Firma Agenten inzwischen als Runtime-Problem versteht.

Die wichtigste Botschaft des Launches ist fuer mich deshalb nicht, dass Roboter jetzt noch etwas geschickter wirken. Die wichtigere Botschaft lautet: Agentenarbeit braucht Live-Kontext, Tool-Disziplin, saubere Abschlusskriterien und koordinierte Uebergaben. Genau daran wird sich kuenftig auch ausserhalb der Robotik entscheiden, welche agentischen Systeme wirklich belastbar sind.

Weiterfuehrende Beitraege auf menzel.works

Quellen

Frage zu diesem Inhalt?
Kurz schreiben.
Kontakt