Ein Eiscreme-Roboter mit 22 Milliarden Bewertung: Die geschickte Roboterhand wird zur Gelddruckmaschine der Embodied AI

In einer DQ-Filiale in Shanghai tut ein Roboter etwas, das auf den ersten Blick „dumm” wirkt.

Er holt einen Becherring aus dem Sterilisator, zieht einen Pappbecher heraus, hält ihn unter die Eismaschine, streut Oreo-Krümel darüber, rührt um, kratzt den Becherrand sauber – und dreht den Becher am Ende auf den Kopf, um DQs berühmten „Upside-Down-Test” zu bestehen. 55 Schritte, komplett autonom. Die Mitarbeiterin daneben rührt keinen Finger.

Ein Mensch braucht 2 bis 3 Minuten für einen Becher. Der Roboter: 6 Minuten.

Mehr als doppelt so langsam. Aber niemand drängt ihn.

Denn DQ und Sharpa, das Unternehmen hinter dem Roboter, interessieren sich nicht für Effizienz. Sie interessieren sich für etwas anderes: Daten.

Am Ende dieses Artikels zeig ich dir drei Einstiegsmöglichkeiten für Privatanleger.

Das ist kein Effizienz-Upgrade, das ist Training auf höchstem Niveau

Die meisten Leute reagieren auf diese Nachricht so: Ein Milliarden-Unternehmen, das in einer Eisdiele jobbt? Verschwendetes Potenzial?

Wer so denkt, hat die Wettbewerbslogik der Embodied AI nicht verstanden.

Die „Roboter”, die du sonst in Restaurants siehst, tragen Tabletts, fahren hin und her. Im Grunde sind es Räder mit Ablagefläche – Transportarbeiten mit minimalem Freiheitsgrad. Diese Roboter brauchen keine Hände, nur Navigation, Hinderniserkennung, Zielposition. Technischer Anspruch gegen null, Burggraben nicht existent.

Sharpa macht das Gegenteil. Das Unternehmen geht in die Küche, nutzt menschliche Geräte, menschliche Zutaten, globale Standards – und erledigt den kompletten Prozess von Anfang bis Ende.

Sharpa-Gründer Li Yifan hat einen Satz gesagt, der sitzt: Wenn ein humanoider Roboter mit Dutzenden Freiheitsgraden, mit Vision und Kraftregelung am Ende nur Kaffee serviert – was ein simpler Industrieroboterarm genauso könnte – dann geht die Kostenrechnung niemals auf.

Der Kern: Ein Roboter darf nicht verlangen, dass sich die Umgebung an ihn anpasst. Er darf nicht 9 Schritte machen und den letzten dem Menschen überlassen. Das schafft keine Produktivität, das verschafft dem Roboter einen Pseudo-Job.

Die DQ-Herausforderung ist genau deshalb so hart: 55 Schritte, die ineinandergreifen. Der Pappbecher ist weich, die Eiscreme-Konsistenz ändert sich mit der Temperatur, drei Topping-Schritte sehen visuell fast identisch aus. Ein kleiner Fehler – Totalausfall.

Und genau diese Fehler will Sharpa.

Die wahre Eintrittsbarriere sind nicht Chips, sondern Fehlerdaten

Was ist die größte Hürde der Embodied AI?

Nicht das Lernen von Bewegungsabläufen aus Videos. Lass GPT hundertmal ein Eiscreme-Video ansehen – es wird trotzdem nicht lernen, mit wie viel Kraft man einen Becher greift. Videos enthalten keine Haptik, keine Kraftmessung, keine Logik für Fehlerkorrektur.

Wenn du einem Menschen zusiehst, weißt du nur, wie hoch die Hand geht. Du weißt nicht, wie fest du den Pappbecher drücken darfst, ohne ihn zu zerdrücken. Du weißt nicht, ob die Sauerei von falschem Ausgießen oder zu schnellem Rühren kommt. Du weißt nicht, was passiert, wenn der Kratzwinkel um zwei Grad abweicht.

Diese Informationen entstehen nur, wenn der Roboter in echten Umgebungen scheitert, Fehler macht, nachjustiert. Diese „Fehlerdaten” werden ins Modell eingespeist – und der nächste Anwendungsfall profitiert davon.

Sharpa hat den DQ-Prozess weniger als 5 Monate trainiert, die Labor-Erfolgsquote ist ordentlich. Aber diese Zahl zählt nicht. Die echten Störfaktoren im Laden – Kundenandrang, Temperaturschwankungen der Geräte, Chargenunterschiede bei den Zutaten – sind der eigentliche Test.

Was der Roboter heute bei DQ lernt – Greifen, Schöpfen, Rühren, Ausgießen – lässt sich morgen direkt übertragen: Regale einräumen im Supermarkt, Zimmerservice im Hotel, Haushaltsaufgaben. Müsste man für jeden neuen Anwendungsfall wieder zehntausend Stunden trainieren, wäre das DQ-Projekt eine einmalige Ingenieursleistung ohne Geschäftswert.

Das ist Sharpa’s eigentlicher Plan: Eine DQ-Filiale als Tauschgeschäft für eine übertragbare Datenbasis für geschickte Manipulation.

22 Milliarden Bewertung – mehr wert als das Mutterunternehmen

Sharpa wurde Ende 2024 gegründet, ist also noch keine zwei Jahre alt. Die neue Finanzierungsrunde: über 4,5 Milliarden RMB, Post-Money-Bewertung 22 Milliarden RMB.

Spannender ist der Hintergrund: Alle drei Mitgründer kommen aus dem Gründungsteam von Hesai, dem Lidar-Marktführer.

Und Hesai selbst ist an der Börse ordentlich bewertet.

Ein Unternehmen, das noch keine zwei Jahre existiert, überholt die Bewertung des Mutterkonzerns. Warum hat Hesai das Geschäft nicht intern behalten, sondern ausgegründet?

Das ist klassische Industrie-Strategie.

Erstens: Unterschiedliche Branchen, komplett unterschiedliche Bewertungslogik. Lidar ist reife Fertigungsindustrie – es zählen Stückzahlen, Bruttomarge, Kostenkontrolle. Humanoide Roboter sind Wachstums-Tech – es zählen technische Barrieren, Datenbestand, Szenario-Phantasie. Externe Finanzierung bedeutet ein viel höheres Bewertungslimit.

Zweitens: Flexiblere Team-Anreize. Eine unabhängige Gesellschaft kann die Anteilsstruktur neu gestalten, ohne Hesai-Altaktionäre zu verwässern. Das Kernteam bekommt völlig andere Incentives und Entscheidungsfreiheit.

Die Investoren dieser Runde: Alibaba, Meituan, JD Industrial Capital – plus Sequoia, Qiming und andere Top-Adressen. Sie wetten alle auf dasselbe: Sharpa kann den Hesai-Erfolgspfad – erst Kernkomponenten dominieren, dann Algorithmus-Loop mit Szenario-Daten schließen, am Ende Full-Stack – bei humanoiden Robotern wiederholen.