In letzter Zeit ist es unter Investoren populär, in "situationsbewusste und aufmerksame KI" zu investieren.

Wenn intelligente Systeme zunehmend physische Formen mit unterschiedlichen Fähigkeiten annehmen, wird die Frage, wie sie gemeinsam mit Menschen leben können, zu einer neuen Herausforderung, die die KI-Industrie beantworten muss.

Ein Roboter merkt, dass Sie durstig sind, kommt zu Ihnen und reicht Ihnen ein Glas Wasser; eine KI-Brille erkennt das Gebäude vor Ihnen und teilt Ihnen freiwillig seine Geschichte mit; ein intelligentes Headset bemerkt, dass Ihr Zeitplan heute sehr voll ist, und erinnert Sie daran, dass es Zeit ist, sich auszuruhen. Technisch gesehen gibt es bei diesen Verhaltensweisen keine Probleme. Die Maschine hat die Informationen korrekt verstanden, die Schlussfolgerungen gezogen und die erwartete Antwort geliefert.

Aber was ist, wenn Sie gerade mit einem Kunden verhandeln, sich mit einem Freund streiten oder einfach nur eine Weile in Ruhe sein möchten? Die Maschine versteht möglicherweise Ihre Worte, sieht die Welt vor Ihnen und schließt sogar auf Ihre Stimmung, weiß aber immer noch nicht, ob sie zu diesem Zeitpunkt auftauchen soll.

In den letzten Jahren konzentrierte sich die Entwicklung der künstlichen Intelligenz hauptsächlich auf eine Frage: Wie können Maschinen intelligenter gemacht werden? Jetzt taucht eine weitere Frage auf: Wie sollen intelligente Agenten mit Menschen umgehen, wenn immer mehr von ihnen in das menschliche Leben eintreten?

Dies ist nicht nur ein Problem der Roboterbranche.

Von KI-Brillen und intelligenten Headsets über intelligente Heimterminals und Fahrzeugkabinen bis hin zu verkörperten Robotern mit Bewegungs- und Steuerungsfähigkeiten dringt Intelligenz in unterschiedlichen physischen Formen in den täglichen Lebensraum der Menschen ein. Die Modelle, auf die sie zugreifen können, werden immer leistungsfähiger, die Informationen, die sie wahrnehmen können, immer reichhaltiger, und die physische Distanz zu den Menschen wird immer geringer.

Aber eine immer offensichtlichere Tatsache ist: Die Verbesserung des Intelligenzniveaus führt nicht automatisch zu einer Verbesserung der Erlebnisqualität.

„Nachdem Maschinen gelernt haben, Sprache und die Welt zu verstehen, steht die Industrie möglicherweise vor der nächsten Prüfung der Intelligenz – der Interaktion“, sagte ein Investor gegenüber Finanzportal Rongzhong Finance.

Von der Erschaffung von Intelligenz zur Suche nach einem Körper für Intelligenz

Wenn wir die Entwicklung der aktuellen Runde der KI-Industrie zurückblicken, sehen wir einen immer klarer werdenden Evolutionspfad.

Der Ausgangspunkt ist der Durchbruch der intelligenten Fähigkeiten selbst.

Große Sprachmodelle verleihen Maschinen beispiellose Fähigkeiten zum Sprachverständnis, zur Wissensverarbeitung und zum Schlussfolgern. Anschließend begannen multimodale Modelle, Bilder, Töne und Videos außerhalb von Text in einen einheitlichen Verständnisrahmen zu integrieren, sodass die KI schrittweise von der Verarbeitung von Symbolen zum Verständnis reichhaltigerer Informationen der realen Welt übergeht.

Aber in dieser Phase ist die Hauptinteraktionsweise zwischen Mensch und KI immer noch das Dialogfeld auf dem Bildschirm: Der Mensch gibt eine Frage ein, die Maschine generiert eine Antwort; der Mensch gibt eine Anweisung, die Maschine erledigt die Aufgabe. Unabhängig davon, wie sich die Fähigkeiten im Inneren des Modells weiterentwickeln, folgt die Beziehung zwischen Mensch und intelligentem System immer noch einer einfachen, direkten Logik: Der Mensch initiiert aktiv, die Maschine reagiert passiv.

Anschließend begann die Industrie, neue Träger für diese intelligenten Fähigkeiten zu suchen.

Zuerst die verkörperte Intelligenz. Die Forscher versuchen, Maschinen nicht nur dazu zu bringen, die physische Welt zu verstehen, sondern sich auch direkt durch Bewegung, Bedienung und Rückmeldungen aus der Umwelt daran zu beteiligen.

Zweitens die breitere Palette von KI-Hardware.

Intelligente Brillen verschaffen der KI einen visuellen Eingang, der der menschlichen Perspektive nahekommt; Headsets bieten einen Audiokanal, der Menschen über lange Zeit begleitet; intelligente Heimterminals dringen in relativ feste Lebensräume ein; Fahrzeugkabinen erhalten die Möglichkeit, den Fahrzustand und das Verhalten der Insassen zu verstehen.

Verschiedene Endgeräte verfügen über unterschiedliche Wahrnehmungsfähigkeiten, Rückmeldekanäle und physische Formen, aber dahinter verbirgt sich ein ähnlicher Trend: KI verwandelt sich schrittweise von einer Software, die aktiv geöffnet werden muss, in eine intelligente Entität, die dauerhaft im Leben präsent ist.

Im Jahr 2026 stellte Google auf der I/O-Konferenz weitere Pläne für intelligente Brillen mit Gemini vor, darunter Audiobrillen und Display-Brillen. Die im vergangenen Herbst von Meta vorgestellte Ray-Ban Display kostet 799 US-Dollar und wird mit einem Armband geliefert, das myoelektrische Signale am Handgelenk lesen kann. In diesem Jahr wurden ihre Navigations-, Kommunikations- und kontextbezogenen Interaktionsfähigkeiten ständig erweitert. In China haben Hersteller wie Xiaomi, Thunderbird und Rokid im vergangenen Jahr eine Vielzahl von KI-Brillen auf den Markt gebracht.

Diese Produkte müssen nicht unbedingt über mechanische Arme verfügen und nicht wie Menschen laufen können, aber sie ändern eine grundlegende Tatsache: KI existiert nicht mehr nur, wenn wir sie fragen. Wenn Geräte die Umgebung des Benutzers wahrnehmen, historische Vorlieben speichern und zu geeigneten Zeiten aktiv Hilfe anbieten können, wirkt die traditionelle anweisungszentrierte Interaktionsweise nicht mehr ausreichend.

„In den ersten Tagen nach dem Kauf rufen und testen die Benutzer es ständig. Sobald die Neuheit vorbei ist, erinnern sie sich in den meisten Fällen überhaupt nicht mehr an seine Existenz“, sagte ein Gründer, der KI-Brillen herstellt, gegenüber Rongzhong Finance. Das ist auch der Grund, warum immer mehr Teams über aktive Interaktion nachdenken: „Aber sobald die Aktivität übertreibt, ist die erste Reaktion des Benutzers, sie abzunehmen.“

Intelligente Systeme der Vergangenheit haben hauptsächlich die Beziehung zwischen einer Anweisung und einem Ergebnis verarbeitet. Zukünftige intelligente Endgeräte müssen ein komplexeres Problem bewältigen: die Beziehung zwischen sich selbst und dem Menschen sowie zwischen dem Menschen und anderen Menschen in seiner Umgebung. Das bedeutet, dass die Industrie nicht nur weiterhin mehr Fähigkeiten zur Intelligenz hinzufügen darf, sondern auch neu definieren muss, wie diese Fähigkeiten eingesetzt werden sollen.

Die Maschinen verfügen bereits über Fähigkeiten, fehlen ihnen aber noch an „Sozialbewusstsein“

Im Pekinger Dialekt gibt es einen Ausdruck „you yanlijianr“, was bedeutet, dass eine Person mit ausgeprägtem Sozialbewusstsein nicht nur weiß, was andere brauchen, sondern auch weiß, wann sie helfen kann, wann sie nicht stören soll, wie sie Freundlichkeit ausdrücken kann und wie sie sich anständig zurückzieht, wenn die andere Person keine Hilfe annehmen möchte.

Genau diese Fähigkeit fehlt den Maschinen. „Aktive Interaktion ist ein zweischneidiges Schwert: Wenn das Maß nicht richtig getroffen wird, ist es Belästigung“, sagte ein Investor.

Nehmen wir das Beispiel des Roboters, der Wasser reicht.

Ein Gründer im Bereich der interaktiven Intelligenz erzählte Rongzhong Finance von folgender Szene: Der Roboter merkt, dass der Benutzer lange Zeit kein Wasser getrunken hat, gießt aktiv Wasser ein, reicht es und gibt eine Sprachwarnung ab. Aus Sicht der Aufgabenausführung ist fast jeder Schritt korrekt. Aber wenn der Benutzer gerade in einer wichtigen Besprechung ist, kann dieses Verhalten zu einer unnötigen Störung werden.

Diese Peinlichkeit ist nicht neu. Ende der 1990er Jahre platzierte Microsoft in Office einen zwinkernden Büroklammer-Assistenten namens Clippy. Sobald er erkannte, dass der Benutzer einen Brief schrieb, tauchte er auf und fragte: „Es sieht so aus, als ob Sie einen Brief schreiben. Brauchen Sie Hilfe?“ Er gehört zu den ersten „aktiven KI-Systemen“ und war eines der am meisten kritisierten Software-Images. Nach mehreren Anpassungen wurde er in der Version von Office 2007 vollständig entfernt.

Die Aufgabenintelligenz der Vergangenheit beantwortete hauptsächlich drei Fragen: Was ist das Ziel, wie wird es ausgeführt und ist das Ausführungsergebnis korrekt?

Die interaktive Intelligenz der nächsten Stufe muss darüber hinaus beantworten: Soll ich jetzt handeln, auf welche Weise soll ich handeln und zu welchem Zeitpunkt soll ich aufhören. Sie muss nicht nur die physische Umgebung verstehen, sondern auch die Situation und die Regeln der menschlichen Gesellschaft.

Die Kommunikation zwischen Menschen ist niemals ein einfacher Informationsaustausch. Eine Pause, ein Blick, eine Änderung der Körperausrichtung oder sogar ein absichtlich aufrechterhaltenes Schweigen können komplexe soziale Bedeutungen enthalten, aber diese Informationen lassen sich nicht immer in eine klare sprachliche Anweisung umwandeln.

Wenn intelligente Endgeräte also dauerhaft in Haushalte, Arbeitsplätze und öffentliche Räume eindringen, ist die wirklich schwierige Aufgabe möglicherweise nicht mehr nur, zu erkennen, was der Benutzer will, sondern zu beurteilen, ob der Benutzer zu diesem Zeitpunkt eine Interaktion mit ihm wünscht. Das heißt, den Roboter dazu zu bringen, „Sozialbewusstsein“ zu entwickeln.

Interaktion entwickelt sich von einer Produktfunktion zu einer eigenständigen intelligenten Fähigkeit

Diese Veränderung zeigt sich bereits in den technischen Richtlinien führender KI-Labore.

Im Mai 2026 veröffentlichte Thinking Machines Lab, das von der ehemaligen OpenAI-Cheftechnikerin Mira Murati gegründet wurde, eine Forschungsvorschau zu Interaction Models. Das Team stellte eine bemerkenswerte Feststellung auf: Die meisten heutigen KI-Interaktionen sind noch rundenbasiert. Erst nachdem der Benutzer einen Satz gesagt hat, beginnt die Maschine zu antworten; während die Maschine eine Antwort generiert, ist die kontinuierliche Wahrnehmung der Außenwelt eingeschränkt.

Aber die echte menschliche Kommunikation ist nicht so einfach hin und her. Wir beobachten die andere Person, während sie spricht, beurteilen anhand des Tons, ob wir ein Wort einwerfen sollen, und passen den Kommunikationsrhythmus ständig durch Pausen, Zustimmungen und Gesten an.

Die Forschung von Thinking Machines Lab versucht, Modelle dazu zu bringen, gleichzeitig kontinuierliche Audio-, Video- und Texteingaben zu verarbeiten und in Mikrorunden von etwa 200 Millisekunden in Echtzeit zu interagieren. Bei der Erklärung dieser Richtung verwies das Team auf Begriffe wie Ko-Präsenz und Gleichzeitigkeit aus der Kommunikationswissenschaft.

Das bedeutet, dass Interaktion nicht mehr nur eine außerhalb des Modells hinzugefügte Sprachoberfläche ist, sondern zu einem Problem wird, das in der Modellarchitektur selbst gelöst werden muss.

Auch das Kapital strömt in diese Richtung. Sesame, das unter anderem von Brendan Iribe, Mitbegründer von Oculus, gegründet wurde, erhielt im Oktober 2025 eine B-Finanzierungsrunde über 250 Millionen US-Dollar, angeführt von HSG und Spark Capital. Das Unternehmen entwickelt ein Sprachdialogmodell, das die Antwortzeit auf 200 bis 300 Millisekunden drückt, sowie eine leichte Brille, die ausschließlich über Sprache interagiert.

„Bei dieser Runde von US-Dollar-Fonds geht es bei der Betrachtung von Interaktion längst nicht mehr darum, ob die Spracherkennung genau ist, sondern darum, ob die KI das Gespräch richtig fortsetzen und Pausen verstehen kann“, sagte ein Investor eines US-Dollar-Fonds.

Auch in China erforschen Startups dieses Feld. Im Gegensatz zu dem Ziel, Roboter dazu zu bringen, menschliche Emotionen so genau wie möglich zu beurteilen, konzentriert sich das von Absolventen der Hong Kong University of Science and Technology gegründete Unternehmen SYNAPUFF auf die Mensch-Maschine-Symbiose-Interaktion. Das heißt, intelligente Agenten sollen durch einen geschlossenen Kreislauf aus Wahrnehmung, Entscheidung und Rückmeldung schrittweise eine Interaktionsweise entwickeln, die zur aktuellen Situation passt. Ein bemerkenswerter Ansatz besteht darin, Verhaltensweisen mit geringen sozialen Kosten zu nutzen, die rückgängig gemacht werden können, um zu testen.

Zum Beispiel kann ein Roboter mit körperlichen Bewegungsfähigkeiten durch leichtes Drehen des Kopfes, Ändern seiner Ausrichtung oder einen kurzen Blick testen, ob der Benutzer bereit ist, mit ihm zu kommunizieren. Bei Endgeräten ohne mechanischen Körper kann ein ähnliches Verhalten als leichte haptische Warnung, ein nicht aufdringlicher Ton oder ein visuelles Signal dargestellt werden, das keine sofortige Antwort erfordert. Wenn der Benutzer Bereitschaft zur Interaktion zeigt, kann das System die Interaktion weiter vertiefen; wenn keine Antwort kommt, sollte das System wissen, wann es aufhören muss. Solche Mechanismen erfordern eigentlich die Erforschung, wie Maschinen lernen, zu testen, zu beurteilen, zu verhandeln und sich zurückzuhalten, anstatt häufiger aktiv zu handeln. Noch wichtiger ist, dass diese Fähigkeit nicht vollständig von einer bestimmten Endgeräteform abhängen sollte.

Dieselbe Interaktionsentscheidung kann auf einem Roboter durch eine Bewegung ausgedrückt werden, auf einer Brille durch eine visuelle Warnung, auf einem Headset durch einen kurzen Ton und in einer intelligenten Fahrzeugkabine durch eine leichte haptische Rückmeldung am Lenkrad.

Die physischen Träger sind unterschiedlich, aber die zugrunde zu lösenden Probleme sind gemeinsam: die aktuelle Situation verstehen, die Interaktionsbereitschaft des Menschen beurteilen, den geeigneten Zeitpunkt für das Eingreifen wählen und die Kommunikation durch eine angemessene Rückmeldungsart abschließen.

Die nächste Generation der Interaktion erfordert ein neues Bewertungssystem

Wenn wir Interaktion als eigenständige intelligente Fähigkeit betrachten, stehen wir vor einer neuen Herausforderung: Wie können wir beurteilen, ob sie tatsächlich besser geworden ist? Im Bereich der Aufgabenausführung sind die Bewertungsstandards relativ klar. Ob der Roboter ein Objekt erfolgreich greift, die KI die Codegenerierung korrekt abschließt oder das autonome Fahrsystem sicher das Ziel erreicht, kann anhand spezifischer Indikatoren gemessen werden.

Aber für soziale Interaktion gibt es nicht immer nur eine einzige richtige Antwort. Derselbe Benutzer kann zu unterschiedlichen Zeiten völlig unterschiedliche Reaktionen auf dasselbe Interaktionsverhalten zeigen. Das macht es schwierig, die Fähigkeit des Systems vollständig allein durch statische Fragen und Antworten, die Genauigkeit der Emotionserkennung oder die Zufriedenheit bei einer einmaligen Interaktion zu bewerten. Ein möglicher Ansatz besteht darin, Interaktion als fortlaufenden geschlossenen Entscheidungszyklus zu verstehen und die wichtigsten Glieder darin zu bewerten.

Zum Beispiel: Kann das System den Zeitpunkt für aktive Interaktion genau beurteilen? Wie oft kommt es zu unnötigen Störungen? Kann das System rechtzeitig aufhören, nachdem der Benutzer abgelehnt hat? Ist der Benutzer bereit, die Interaktion fortzusetzen? Kann derselbe intelligente Agent im Laufe der langfristigen Zusammenarbeit ein stabiles, vorhersehbares Verhaltensmuster entwickeln? Diese Fragen sind nicht völlig unquantifizierbar, erfordern jedoch andere Bewertungsmethoden als die traditionelle Aufgabenintelligenz.

Bei langfristigen Interaktionen gibt es eine weitere Fähigkeit, die leicht unterschätzt wird: die Konsistenz der Persönlichkeit. Ein intelligenter Agent muss nicht immer sanft und gehorsam sein, und er muss nicht einmal die ausschließliche Zielsetzung haben, den Benutzer zu bedienen.

Zum Beispiel in Unterhaltungs- und IP-Szenarien kann eine verspielte, rebellische Figur attraktiver sein als ein immer korrekter Assistent.

Die Figuren in den Disney-Parks sind ein gutes Beispiel. Viele Figuren kommunizieren fast nicht über Sprache mit Besuchern, aber sie lassen die Menschen ihre jeweiligen Persönlichkeiten schnell durch Blicke, Bewegungen, Haltungen und Reaktionsrhythmen verstehen.

Die Verspieltheit von LinaBell und die Begeisterung von Micky Maus werden nicht durch eine einzelne Selbstvorstellung vermittelt, sondern durch zahlreiche konsistente nichtverbale Verhaltensweisen immer wieder