Skild AI overschrijdt $100 miljoen jaarlijkse omzetrunrate in tien maanden

Skild AI zei op 9 september 2026 dat het een jaarlijkse omzetrunrate van $100 miljoen had overschreden, tien maanden na de eerste commerciële inzet van het robotica-bedrijf.

De mijlpaal werd bekendgemaakt in een bedrijfsblogpost getiteld “The Hidden Pillar of Robotics.” In de post zei het bedrijf dat het meer dan 60 betalende klanten heeft opgeschaald in de sectoren transport van goederen, het doen van leveringen, inspectie van locaties, beveiliging en voedselbereiding, evenals het opereren in magazijnen, fabrieken en datacenters. Mobiliteit zorgt voor 10 % van de omzet en Fetch‑oplossingen voor 4 %, meldde het bedrijf.

Benoemde commerciële implementaties

De post beschreef drie implementaties met technologie- en industriële partners. Samen met NVIDIA en Foxconn zet Skild AI de Skild Brain in op dual-arm manipulators voor hoogprecisie‑assemblage van NVIDIA Blackwell‑systemen, werk dat het bedrijf zegt dat elke productcyclus verandert en voorheen betekende dat elke robot op de lijn opnieuw geprogrammeerd moest worden.

Bij Sumitomo Wiring Systems zei Skild AI dat het werkt aan de inzet van S1, zijn nieuwste foundation‑model, om processen in de productie van draaddraden te automatiseren, die volgens de post als onautomatiseerbaar werden beschouwd. Met Mitsui & Co., wiens toeleveringsketens dagelijks 1,4 miljoen maaltijden in Japan bedienen, pilot het bedrijf algemene robots aangedreven door S1 in commerciële keukens.

S1‑model en door het bedrijf gerapporteerde resultaten

Skild AI introduceerde S1, dat zij haar toonaangevende robotica‑foundation‑model noemt, in een post van 18 augustus 2026. Het bedrijf zei dat het S1 van de grond af heeft gebouwd als een in‑context learner: een operator neemt een enkele video‑demonstratie van een taak op en geeft deze aan de robot als prompt, zonder de gewichten van het model bij te werken. S1 is gebouwd op NVIDIA AI‑infrastructuur, die volgens het bedrijf de versnelde rekenfundament biedt die nodig is om op schaal te trainen over haar mix van robotica‑data. Volgens de augustus‑post is S1 het eerste robotica‑foundation‑model dat in‑context leren toont op extreem lange‑horizon‑taken van maximaal tien minuten die nooit tijdens pre‑training zijn gezien.

In een gecontroleerde interne studie beschreven in die post trainde Skild AI in‑context leren en taal‑geconditioneerde VLA‑policy’s op identieke data, architecturen en compute over datasets variërend van 1.000 tot 100.000 uur. Bij 100.000 uur pre‑training bereikte het in‑context‑policy een succesratio van 66 % op ongeziene lange‑horizon‑taken van vier tot acht minuten, vergeleken met 9 % voor het taal‑gepromptte policy, meldde het bedrijf. Op taken uit de pre‑training‑distributie waren de respectieve cijfers 96 % en 89 %. Het bedrijf zei dat het menselijke interventie gebruikte om te herstellen van fouten tijdens roll‑outs, voornamelijk voor de taal‑gepromptte baseline, zodat elke stap cumulatief kon worden beoordeeld.

De augustus‑post stelde ook dat één in‑context‑demonstratie grofweg overeenkomt met ongeveer 380 post‑training‑episodes op ongeziene taken, een schatting die het bedrijf, volgens eigen zeggen, heeft verkregen door interpolatie tussen gemeten punten. Het verzamelen van 380 lange‑horizon‑demonstraties kost 50 tot 100 uur tele‑operatie, aldus de post, terwijl na training de VLA‑policy op 2.000 demonstraties een succesratio van 86 % bereikte. Voor één plant‑potting‑taak registreerde het bedrijf 11 minuten van demonstratie tot autonome uitvoering: leveringen arriveerden om 8:54 PM, een enkele egocentrische menselijke demonstratie werd vastgelegd om 9:22 PM, en S1 begon de taak autonoom uit te voeren om 9:27 PM.

Over datakwaliteit schreef het bedrijf: “Voor elke dollar die we besteden aan het verzamelen van data, besteden we drie aan kwaliteitscontrole.” Elk datapunt dat de pre‑training binnenkomt, wordt volgens de post gescreend op lage‑niveau precisie, taak‑coherentie en annotatie‑fideliteit.

De post van 9 september beschrijft implementatie als de verborgen pijler van robotica‑onderzoek en stelt dat demo‑video’s een onbetrouwbare maatstaf voor vooruitgang zijn, omdat een succesvolle clip van een robot met 5 %, 10 % of 99 % nauwkeurigheid er hetzelfde uit kan zien. Het bedrijf zei dat het model vorig jaar leerde eieren te maken: het eerste ei kostte een week, en het proces betrouwbaar maken over verschillende eieren en opstellingen duurde twee maanden. Het persen van de laatste 5 % van de prestaties vergt veel meer inspanning dan de eerste 95 %, stelt de post. De post stelt ook dat een robot die 99,9 % nauwkeurig is maar tien keer te traag, niet inzetbaar is, aangezien elke station op een productielijn binnen ongeveer dezelfde cyclusduur moet eindigen.

Volgens de post leidden lessen uit implementaties het onderzoek van het bedrijf naar S1, omdat een systeem dat voor elke leverancerschanging, werkstation‑herindeling of herziene assemblage‑sequentie een nieuwe dataset en een extra post‑training‑run vereist, niet schaalbaar is. Het bedrijf beschreef de resulterende lus als fysieke recursieve zelfverbetering: ervaring uit gespecialiseerde implementaties wordt teruggevoerd naar het algemene basismodel, zodat elke nieuwe implementatie start vanuit een sterker model.

De augustus‑post documenteert een ontwikkelings‑tijdlijn die loopt van LocoFormer, een in‑context‑learner voor locomotie, in september 2025 tot de eerste in‑domain‑in‑context‑resultaten in februari 2026 en de eerste out‑of‑distribution‑pannenkoek‑flip in mei 2026, tot de S1‑release in augustus 2026. Die post stelde dat S1 al in samenwerking met de commerciële partners van het bedrijf werkt. De post van 9 september sluit af met: “The era of demos is over; the era of deployment has begun.”