Jedes große KI-Labor will heute Roboter, die Wäsche falten, Kisten packen und sich in Küchen zurechtfinden können. Aber es gibt kein Internet für physische Interaktionsdaten. Man kann sie nicht einfach scrapen, per Crowdsourcing gewinnen oder durch Simulationen umgehen. Man muss sie selbst sammeln – Roboter für Roboter, Aufgabe für Aufgabe, in der realen Welt.
Genau dieses Problem wollte XDOF lösen, als das Unternehmen im Juni 2026 aus dem Stealth-Modus trat. Das in Berkeley ansässige Startup sammelte 70 Millionen US-Dollar von Thrive Capital, Andreessen Horowitz, Lux Capital, Spark Capital und WndrCo ein und veröffentlichte umgehend ABC, den bisher größten Open-Source-Datensatz für bimanuelle Manipulation: 130.000 Trajektorien für 195 Aufgaben, plus 300 Stunden Simulationsdaten und 100 Stunden Auswertungen [2][3]. Drei Monate später befindet sich das Unternehmen in fortgeschrittenen Gesprächen über eine Serie-B-Finanzierung bei einer Bewertung von 1,2 Milliarden US-Dollar unter der Leitung von 8VC, wobei der annualisierte Umsatz die 50-Millionen-Dollar-Marke erreicht [4].
Die Geschwindigkeit dieser Entwicklung sagt einiges über den Markt aus. Die interessantere Frage ist jedoch, ob XDOF eine Plattform aufbaut, die wie Software skaliert, oder ein Dienstleistungsgeschäft, das wie die Mitarbeiterzahl skaliert.
Der Datenengpass ist strukturell, nicht vorübergehend
Sprachmodelle hatten das Internet. Jahrzehntelange menschliche Texte standen zum Training bereit. Roboter haben nichts Vergleichbares. YouTube-Videos fehlt es an Präzision und physischer Verankerung. Aufnahmen von Gig-Workern lassen sich nur schwer mit echter Physik in Einklang bringen. Simulatoren helfen, aber die Lücke zwischen Simulation und Realität (Sim-to-Real-Gap) bleibt hartnäckig [2].
Philipp Wu, CEO von XDOF, stieß als Doktorand an der UC Berkeley auf diese Mauer. „Wir hatten keine groß angelegten Daten, mit denen wir arbeiten konnten“, sagte er gegenüber TechCrunch. „Es gab dieses Henne-Ei-Problem. Wir mussten erst einmal Daten sammeln, bevor wir uns überhaupt fragen konnten, wie man ein Foundation-Modell für die Robotik trainiert“ [2]. Diese Erkenntnis wurde zur Gründungsthese von XDOF: Der schwierige Teil beim Bau von Robotern ist nicht das Modell, nicht der Chip, sondern die Daten – genauer gesagt, physische Interaktionsdaten, die in großem Maßstab in der realen Welt gesammelt werden.
Der Aufbau einer eigenen Datenabteilung bedeutet Lagerfläche, Roboterflotten, Wartung, Bedienerschulung, Kalibrierung. Das ist operativ brutal und lenkt den Fokus von der Forschung ab. Deshalb bezahlen führende Labore XDOF dafür, dies zu übernehmen. Das Unternehmen hatte zum Start rund 20 zahlende Kunden, darunter mehrere führende KI-Labore, von denen keines namentlich genannt wurde [2][3].
Wie XDOF Daten im großen Stil sammelt
XDOF betreibt ein dreistufiges Erfassungssystem. Die Basis ist GELLO, ein kostengünstiges Teleoperationssystem, das die Gründer während ihrer Forschungszeit entwickelt haben. Es ermöglicht einem menschlichen Bediener, einen Roboterarm aus der Ferne zu steuern, um Trainingsdemonstrationen zu erstellen [2][4]. Darüber hinaus entwirft XDOF seine eigene Hardware zur Datenerfassung, betreibt die physischen Abläufe (Lagerhäuser, Roboterflotten, Wartung) und baut die Annotations-Pipelines auf, die rohe Trajektorien in modellfertige Datensätze verwandeln [2].
Das Unternehmen betreibt heute für seine Kunden hunderte teleoperierte Roboter parallel [3]. Dies ist kein reines Software-Geschäft. Die Hardware ist Teil der Daten. Wie es auf dem LinkedIn-Profil von XDOF heißt: „Während Verarbeitungsalgorithmen ständig verbessert werden können, lassen sich Daten auf Sensorebene nach der Erfassung nicht mehr ändern. Was weg ist, ist weg. Was falsch ist, ist falsch“ [7].
Sie sammeln auch egozentrische Daten – Menschen, die Körpersensoren tragen und alltägliche Aufgaben wie das Falten von Kleidung oder das Flachdrücken von Kartons erledigen –, um Bewegungsdaten zu erfassen, die bei der reinen Teleoperation fehlen [4]. Geplant ist, weltweit Teams von Datensammlern einzustellen und zu schulen, wobei Remote-Teleoperatoren mit egozentrischen Operatoren vor Ort kombiniert werden.
Der ABC-Datensatz: Open Source als Visitenkarte
ABC (kurz für „A Berkeley Collection“ oder ähnlich – das Unternehmen hat das Akronym bisher nicht öffentlich vollständig aufgelöst) ist der Kompetenzbeweis von XDOF. In Zusammenarbeit mit dem AI Research Lab der UC Berkeley umfasst der Datensatz 130.000 Manipulationstrajektorien für 195 bimanuelle Aufgaben [3][6]. Er enthält Simulations-Pendants und Evaluierungs-Benchmarks.
Die Veröffentlichung des bisher größten Open-Source-Robotik-Datensatzes dient mehreren Zwecken. Sie demonstriert potenziellen Kunden technische Kompetenz. Sie setzt einen Qualitätsstandard für die Branche. Und sie erzeugt eine Anziehungskraft auf Forscher, die später Kunden oder Mitarbeiter werden könnten. Doch offene Daten allein schaffen noch keinen Wettbewerbsvorteil (Moat).
Qualitätsbedenken und Wechselkosten
Altis Research, das 21 Interviews mit XDOF-Kunden führte, berichtet von einer entscheidenden Nuance: Die Kunden bewerteten die Datenqualität von XDOF niedriger als die ihrer eigenen Erhebungen und gaben an, dass die Wechselkosten gering seien [3]. Das ist das pessimistische Szenario (Bear Case) in aller Kürze. Wenn das Produkt eine austauschbare Dienstleistung ist – „wir übernehmen die Teleoperation für Sie“ –, sinken die Margen und die Kundenbindung schwindet, sobald Labore interne Kapazitäten aufbauen oder zu günstigeren Anbietern wechseln.
Das optimistische Szenario (Bull Case) ist, dass sich die Full-Stack-Expertise von XDOF (Hardware-Design, Betrieb, Annotations-Tools, Datensatz-Kuratierung) zu einer Plattform summiert, die mit der Zeit immer schwerer zu kopieren ist. Das Unternehmen beschreibt sich selbst als „teils Hardware-Unternehmen, teils Betriebsfirma, teils Datenplattform“ [2]. Investoren haben es mit Scale AI oder Mercor für die physische Robotik verglichen – den Daten-Labeling-Riesen, die den LLM-Boom befeuerten [4]. Aber Scale AI profitierte von einem riesigen, bereits existierenden Pool an menschlichen Labelern. XDOF muss seine eigene Erfassungsinfrastruktur von Grund auf neu aufbauen.
Was das für den Robotics-Stack bedeutet
Die Entscheidung von OpenAI, sein Robotikprogramm im Jahr 2026 neu zu starten (nachdem es 2021 eingestellt worden war), sendete ein Signal an die gesamte Branche: Physische KI ist jetzt eine Kernpriorität und kein Nebenprojekt mehr [2][6]. Dies löste einen Wettlauf um die Dateninfrastruktur aus. XDOF ist der sichtbarste frühe Gewinner, aber zu den Konkurrenten gehören Mecka AI sowie Plattformen für menschliche Daten wie Scale AI und Micro1, die über LLMs hinaus expandieren [4].
Die Frage für die nächsten 18 Monate ist, ob die Datenerfassung per Teleoperation eine Plattform-Ökonomie aufweist – bei der die Grenzkosten mit zunehmender Skalierung sinken – oder eine Dienstleistungs-Ökonomie, bei der jeder neue Kunde proportional mehr Personal und Hardware erfordert. Die Gespräche über die 1,2-Milliarden-Dollar-Bewertung von XDOF deuten darauf hin, dass Investoren auf Ersteres setzen. Die von Kunden berichteten geringen Wechselkosten legen nahe, dass Letzteres noch dominieren könnte.
Für Entwickler in der Robotik ist das praktische Fazit klar: Die Datenschicht ist nichts mehr, was man ignorieren oder ohne Risiko vollständig auslagern kann. Ob man nun mit XDOF zusammenarbeitet, interne Kapazitäten aufbaut oder wartet, bis der Markt reift – die Qualität und der Umfang Ihrer physischen Interaktionsdaten werden darüber entscheiden, was Ihre Modelle in der realen Welt tatsächlich leisten können.
Möchten Sie verfolgen, wie sich der Markt für Robotik-Dateninfrastruktur entwickelt? Abonnieren Sie das wöchentliche Briefing von AskBrainy für Analysen, die das Wesentliche vom Hype trennen.
Quellen
- What Is XDOF Robotics: The $70M Startup Building the Data Engine Behind …
- XDOF — Robotics Data Infrastructure | Altis Research
- XDOF launches ABC dataset and raises $70 million | Межа
- XDOF, just 3 months out of stealth, is in talks for a … - TechCrunch
- XDOF - LinkedIn
- About | XDOF
- xDOF 2026 Company Profile: Valuation, Funding & Investors | PitchBook
