Skild AI überschreitet in zehn Monaten die Jahresumsatzrate von $100 Millionen

Skild AI sagte am 9. September 2026, dass es eine Jahresumsatzrate von $100 Millionen erreicht habe, zehn Monate nach der ersten kommerziellen Bereitstellung des Robotik-Unternehmens.

Der Meilenstein wurde in einem Unternehmens‑Blogbeitrag mit dem Titel „The Hidden Pillar of Robotics“ veröffentlicht. In dem Beitrag erklärte das Unternehmen, dass es auf mehr als 60 zahlende Kunden in den Bereichen Gütertransport, Lieferungen, Standortinspektionen, Sicherheitsdienste und Lebensmittelzubereitung angewachsen sei und zudem in Lagerhäusern, Fabriken und Rechenzentren betrieben werde. Mobilität mache 10 % des Umsatzes aus und Fetch‑Lösungen 4 %, so das Unternehmen.

Benannte kommerzielle Einsätze

Der Beitrag beschrieb drei Einsätze in Zusammenarbeit mit Technologie‑ und Industriepartnern. Gemeinsam mit NVIDIA und Foxconn setzt Skild AI das Skild Brain auf Dual‑Arm‑Manipulatoren für die hochpräzise Montage von NVIDIA‑Blackwell‑Systemen ein, eine Arbeit, die das Unternehmen zufolge bei jedem Produktzyklus wechselt und zuvor die Neuprogrammierung jedes Roboters in der Linie erforderte.

Bei Sumitomo Wiring Systems sagte Skild AI, dass es daran arbeite, S1, sein neuestes Fundament‑Modell, einzusetzen, um Prozesse in der Kabelbaumfertigung zu automatisieren, die laut Beitrag als unmöglich zu automatisieren galten. Mit Mitsui & Co., deren Lieferketten täglich 1,4 Millionen Mahlzeiten in ganz Japan bedienen, testet das Unternehmen allgemeine Roboter, die von S1 angetrieben werden, in kommerziellen Küchen.

S1‑Modell und vom Unternehmen gemeldete Ergebnisse

Skild AI stellte S1 vor, das es als sein Flaggschiff‑Roboter‑Fundament‑Modell bezeichnet, in einem Beitrag vom 18. August 2026. Das Unternehmen erklärte, dass es S1 von Grund auf als In‑Context‑Learner aufgebaut habe: ein Bediener zeichnet eine einzelne Video‑Demonstration einer Aufgabe auf und gibt sie dem Roboter als Prompt, ohne die Gewichte des Modells zu aktualisieren. S1 basiert auf der NVIDIA‑AI‑Infrastruktur, die das Unternehmen zufolge die beschleunigte Rechenbasis liefert, die für das großskalige Training über seine Mischung aus Robotik‑Daten erforderlich ist. Laut dem August‑Beitrag ist S1 das erste Robotik‑Fundament‑Modell, das In‑Context‑Lernen bei extrem lang‑horizontalen Aufgaben von bis zu zehn Minuten zeigt, die während des Vor‑Trainings nie gesehen wurden.

In einer kontrollierten internen Studie, die in diesem Beitrag beschrieben wird, trainierte Skild AI In‑Context‑Learning und sprachgesteuerte VLA‑Politiken auf identischen Daten, Architekturen und Rechenressourcen über Datensätze von 1.000 bis 100.000 Stunden. Nach 100.000 Stunden Vor‑Training erreichte die In‑Context‑Politik eine Erfolgsquote von 66 % bei bisher unbekannten lang‑horizontalen Aufgaben von vier bis acht Minuten, verglichen mit 9 % für die sprachgesteuerte Prompt‑Politik, berichtete das Unternehmen. Bei Aufgaben aus der Vor‑Training‑Verteilung lagen die jeweiligen Werte bei 96 % bzw. 89 %. Das Unternehmen gab an, menschliche Intervention eingesetzt zu haben, um nach Fehlermeldungen während der Rollouts zu korrigieren, vor allem für die sprachgesteuerte Basislinie, sodass jeder Schritt kumulativ bewertet werden konnte.

Der August‑Beitrag stellte außerdem fest, dass eine einzelne In‑Context‑Demonstration etwa 380 Nach‑Training‑Episoden bei unbekannten Aufgaben entspricht, ein Wert, den das Unternehmen durch Interpolation zwischen gemessenen Punkten geschätzt habe. Laut Beitrag erfordert das Sammeln von 380 lang‑horizontalen Demonstrationen 50 bis 100 Stunden Teleoperation, während das Nach‑Training der VLA‑Politik auf 2.000 Demonstrationen eine Erfolgsquote von 86 % erreichte. Für eine Pflanz‑Einsetz‑Aufgabe verzeichnete das Unternehmen 11 Minuten von der Demonstration bis zur autonomen Ausführung: Die Materialien kamen um 8:54 PM an, eine einzelne egozentrische menschliche Demonstration wurde um 9:22 PM aufgezeichnet, und S1 begann die Aufgabe autonom um 9:27 PM auszuführen.

Zur Datenqualität schrieb das Unternehmen: „Für jeden Dollar, den wir für das Sammeln von Daten ausgeben, geben wir drei Dollar für Qualitätskontrolle aus.“ Jeder Datenpunkt, der in das Vor‑Training einfließt, wird laut Beitrag auf niedrige Präzision, Aufgaben‑Kohärenz und Annotations‑Treue geprüft.

Der Beitrag vom 9. September beschreibt den Einsatz als die verborgene Säule der Robotik‑Forschung und argumentiert, dass Demo‑Videos ein unzuverlässiges Maß für Fortschritt seien, weil ein erfolgreicher Clip eines Roboters mit 5 %, 10 % oder 99 % Genauigkeit gleich aussehen kann. Das Unternehmen sagte, es habe seinem Modell im letzten Jahr beigebracht, Eier zu kochen: das erste Ei benötigte eine Woche, und die zuverlässige Umsetzung des Prozesses über verschiedene Eier und Aufbauten hinweg dauerte zwei Monate. Das Herauspressen der letzten 5 % der Leistung erfordere deutlich mehr Aufwand als die ersten 95 %, heißt es im Beitrag. Außerdem wird argumentiert, dass ein Roboter, der zu 99,9 % genau ist, aber zehnmal zu langsam, nicht einsetzbar sei, da jede Station einer Fertigungsstraße innerhalb etwa derselben Zykluszeit fertig werden muss.

Laut dem Beitrag lenkten die Erkenntnisse aus den Einsätzen die Forschung des Unternehmens hin zu S1, weil ein System, das für jede Lieferantenänderung, Arbeitsplatzumstellung oder überarbeitete Montagefolge einen neuen Datensatz und einen weiteren Nach‑Training‑Durchlauf erfordert, nicht skalierbar sei. Das Unternehmen bezeichnete die daraus entstehende Schleife als physische rekursive Selbstverbesserung: Erfahrungen aus spezialisierten Einsätzen fließen in das allgemeine Basismodell zurück, sodass jeder neue Einsatz von einem stärkeren Modell ausgeht.

Der August‑Beitrag dokumentiert eine Entwicklungstimeline, die von LocoFormer, einem In‑Context‑Learner für Lokomotion, im September 2025 über die ersten In‑Domain‑In‑Context‑Ergebnisse im Februar 2026 und den ersten Out‑of‑Distribution‑Pfannkuchen‑Wendemanöver im Mai 2026 bis zur Veröffentlichung von S1 im August 2026 reicht. In diesem Beitrag wurde angegeben, dass S1 bereits mit den kommerziellen Partnern des Unternehmens im Einsatz sei. Der Beitrag vom 9. September schließt mit den Worten: „Das Zeitalter der Demos ist vorbei; das Zeitalter der Implementierung hat begonnen.“