Nomagic: KI-Roboter für Picking, Packing und Sorting in der Lagerlogistik

In der Intralogistik gelten hohe Zuverlässigkeitsanforderungen als zentrale Hürde für den Einsatz von KI-gestützter Robotik. Während Genauigkeitswerte von 80 Prozent in Laborumgebungen akzeptabel erscheinen mögen, sind sie im laufenden Lagerbetrieb wirtschaftlich kaum tragbar: Muss ein Roboter auch nur einmal pro Stunde menschliche Unterstützung anfordern, kollabiert die Kalkulation der Automatisierung. Hinzu kommt eine sogenannte „Long Tail"-Problematik, eine nahezu unbegrenzte Zahl seltener Ausnahmesituationen, die Robotersysteme überfordern können.

Ein konkretes Beispiel für eine solche Herausforderung sind Schuhkartons mit abnehmbaren Deckeln. Diese gelten in der Modelogistik seit Langem als schwer automatisierbar, da Standardgreifer die Deckel beim Handling häufig ablösen.

Nomagic, mit europäischem Hauptsitz in Warschau und US-Hauptsitz in Sandy Springs, Georgia, entwickelt und betreibt KI-gestützte Robotersysteme für Picking, Packing und Sorting sowie optische Mengenkontrollen in Warenlagern. Patrick Schönemann, Vice President Sales, beschreibt den Einsatz so: Das Unternehmen verwende überwiegend selbst entwickelte Machine-Learning- und Deep-Learning-Modelle für Computer Vision, 3D-Wahrnehmung sowie Greif- und Manipulationsprozesse. Die Systeme lernten kontinuierlich aus den Betriebsdaten.

Bei Zalando laufen die Roboter, intern unter dem Namen „Richard" geführt, in Fulfillment-Zentren im europäischen Netzwerk. Sie übernehmen dort das Picking einzelner Artikel, deren Scanning sowie die Einspeisung in automatisierte Pocket-Sorter. Zalando plant, bis zu 50 dieser Einheiten auszurollen. Marcus Daute, Vice President Logistics Network bei Zalando, erklärte dazu: „The testing phase with Nomagic proved that their robotics are an excellent fit for Zalando's logistics centres. Following the quick and successful deployment of the first ten units, we have decided to scale our partnership."

Für das Handling von Schuhkartons hat Nomagic den sogenannten Shoebox Picker entwickelt, der speziell konstruierte Greifer einsetzt, die den Karton von zwei Seiten sichern, sodass der Deckel beim Transport nicht verrutscht. Computer Vision erkennt dabei den Produkttyp und seine Ausrichtung in Echtzeit und passt die Greiftechnik automatisch an. Der Shoebox Picker gewann 2026 den IFOY Award in der Kategorie Sortier- und Picktechnik.

Ein weiterer Kunde ist Brack.Alltron, die zweitgrößte E-Commerce-Plattform der Schweiz. Dort automatisiert Nomagic das Picking und Packing in Warenlagern. Roland Brack, Gründer und Inhaber, beschrieb die Situation nach Einführung der neuesten Systeme: „In the past, our goal was simply to minimize manual intervention. Today, we are seeing robots that truly understand their environment. This intelligence allows us to run autonomous shifts through nights and Sundays."

Nomagic verfolgt nach eigenen Angaben eine andere Strategie als viele konkurrierende Labore im Bereich Embodied AI: Statt ein allgemeines Robotergehirn zu entwickeln und es anschließend für spezifische Aufgaben zu verfeinern, zielt das Unternehmen zuerst auf hohe Zuverlässigkeit bei eng definierten Aufgaben und möchte von dort aus schrittweise verallgemeinern. Markus Wulfmeier, ehemaliges Kernmitglied des Gemini-Robotics-Teams bei Google DeepMind und heute Chief Scientist bei Nomagic, formuliert es so: „Most of our community is racing to build the most general robot brain. We're betting that the harder part is actual mastery and that it has to be earned in real deployments first."

Ein zentrales Element dieses Ansatzes ist die unternehmenseigene „Library of Chaos", eine Sammlung realer Ausnahmefälle aus dem Lagerbetrieb, etwa ungewöhnlich liegende Produkte oder komplexe Greifaufgaben. Mit diesen Daten trainiert Nomagic seine Vision-Language-Action-Modelle (VLA), die Objekte wahrnehmen, textbasierte Anweisungen verarbeiten und physische Aktionen ausführen können. Nomagic bezeichnet sich als eines der ersten Unternehmen weltweit, das VLA-Modelle nicht nur im Labor, sondern in produktiven Kundenumgebungen betreibt.

Da die VLA-Modelle nach Unternehmensangabe noch keine eigenständige Zuverlässigkeit von 99,9 Prozent erreichen, und dies nach Einschätzung des Unternehmens für kein am Markt verfügbares System gilt, wird das VLA in ein sogenanntes „Harness"-System eingebettet: Die ältere, klassische Steuerungssoftware von Nomagic fängt Fehler ab und setzt Sicherheitsgrenzen durch, sodass das Gesamtsystem die in Kundenlagern geforderte Verlässlichkeit erreicht. CEO Kacper Nowicki beschreibt die Logik: „The bar in the physical world is high: 99.9% isn't a marketing number, it's the cost of being allowed in the building. So we built a harness that clears it from day one, while the AI inside keeps getting better."

Beim Einsatz des VLA-Modells bei Brack.Alltron berichtet Nomagic, die Rate roboterbedingter Eingriffe durch Menschen, also Situationen, in denen der Roboter nicht weiterkommt und Hilfe anfordert, in etwa halbiert zu haben. Diese Zahl bezieht sich laut Unternehmen auf die häufigsten Ausnahmefälle im laufenden Betrieb.

Bei Zalando wurden zunächst zehn Robotereinheiten erfolgreich eingesetzt; auf dieser Basis wurde die Partnerschaft auf bis zu 50 Einheiten ausgeweitet.

Nomagic steht exemplarisch für einen Ansatz in der Intralogistik-Robotik, der konsequent auf reale Produktivdaten und enge Aufgabenspezialisierung setzt, anstatt auf breite Generalisierung vor dem Markteintritt. Die Kombination aus klassischer Steuerungssoftware als Sicherheitsnetz und einem lernenden VLA-Modell als Kern spiegelt eine pragmatische Antwort auf die hohen Zuverlässigkeitsanforderungen im Lagerbetrieb wider. Ob und in welchem Tempo sich dieser Ansatz zur allgemeineren Roboterintelligenz ausweiten lässt, bleibt nach aktueller Datenlage offen.