Sequoia wettet 500 Millionen Dollar auf den Robotik-Daten-Engpass

Jahrelang ging die KI-Branche von einer einfachen Annahme aus: Das Datenproblem war gelöst. Text war erschöpfbar, aber reichlich vorhanden. Code gab es überall. Synthetische Daten würden die verbleibenden Lücken füllen. Ein zwei Jahre altes Startup namens Mecka AI hat gerade bewiesen, dass diese Annahme falsch war – der wirkliche Engpass ist die physische Welt.

Mecka AI, das Menschen dafür bezahlt, alltägliche Aufgaben mit Körpersensoren und Smartphones aufzuzeichnen, nähert sich einer Bewertung von 500 Millionen Dollar in einer neuen Runde unter der Führung von Sequoia Capital, wie TechCrunch von zwei mit der Transaktion vertrauten Personen berichtete. Die Finanzierung kommt nur drei Monate nach einer 60-Millionen-Dollar-Serie-A-Runde unter der Leitung von Framework Ventures mit Beteiligung von Menlo Ventures, SV Angel und Kindred Ventures.

Die Runde bewertet ein Unternehmen, das vor zwei Jahren nicht existierte, dessen vier Gründer null Erfahrung in der Robotik haben und das keinen einzigen Kunden öffentlich genannt hat, mit einer halben Milliarde Dollar. Der Grund: Mecka besetzt das, was zunehmend als der knappste Input in der KI-Pipeline erscheint.

Die physische Datenwüste

Große Sprachmodelle wurden mit dem angesammelten Text und Code des Internets trainiert. Aber Roboter brauchen etwas grundlegend anderes: Daten mit Gravitation, Reibung, Temperatur und Widerstand. Sie müssen wissen, wie sich eine Kaffeetasse anfühlt, wenn sie voll versus leer ist, wie sich ein Türknauf in verschiedenen Winkeln dreht, wie ein Automotor auf verschiedene Schraubenschlüssel reagiert.

Diese Daten existieren nicht im Internet. Sie müssen physisch gesammelt werden.

Der Ansatz von Mecka AI ist einfach, aber arbeitsintensiv: Das Unternehmen bezahlt Menschen dafür, Bewegungssensoren zu tragen und sich bei alltäglichen Aufgaben aufzunehmen. Kochen, Reinigen, Möbel zusammenbauen, Fahrzeuge reparieren. Jede Aufnahme erfasst die vollständige kinematische Kette – Gelenkwinkel, Muskelaktivierung, Druckpunkte – die ein Roboter benötigt, um dieselbe Bewegung zu reproduzieren.

Anfang Juni prognostizierte Mecka, das Jahr 2026 mit einer jährlichen Run-Rate von 100 Millionen Dollar zu beenden, erklärte Gründer Josh Gao gegenüber Fortune.

Ein Sektor entsteht

Mecka ist nicht allein im physischen Datenrausch. XDOF, ein Konkurrent, der Realdaten zur Manipulation sammelt, nähert sich nur Monate nach dem Verlassen der Stealth-Phase einer Bewertung von 1,2 Milliarden Dollar, berichtete TechCrunch letzte Woche. Figure, das humanoide Roboter-Unternehmen im Besitz von Jeff Bezos und Nvidia, hat im August seinen "Index"-Datensatz angekündigt – beschrieben als der "größte und vielfältigste physische Datensatz der Welt."

Das Muster ist unübersehbar: Dieselben Risikokapitalgeber, die Milliarden in LLM-Trainingsdaten-Unternehmen wie Scale AI, Mercor und Surge gesteckt haben, wetten nun darauf, dass das nächste Scale AI ein Unternehmen sein wird, das physische Daten und nicht Text verarbeitet.

Branchenanalysten ziehen einen direkten Vergleich zur LLM-Ära. Scale AI wurde in seiner letzten Runde mit 14 Milliarden Dollar bewertet. Wenn der Markt für Robotik-Trainingsdaten einer ähnlichen Entwicklung folgt, könnten die Unternehmen, die die Pipeline von menschlicher Bewegung zu robotischer Aktion kontrollieren, zur Infrastrukturschicht der nächsten KI-Welle werden.

Warum nicht Simulation?

Ein naheliegender Einwand ist, dass Roboter in der Simulation trainieren könnten. Unternehmen wie Nvidia haben stark in Isaac Sim und andere Simulationsumgebungen investiert. Aber die Lücke zwischen Simulation und Realität – bekannt als Sim-to-Real-Lücke – bleibt hartnäckig groß. Ein Roboter, der in der Simulation perfekt Kaffee eingießt, verschüttet ihn in der Realität oft, weil kein Simulator die Fluiddynamik, Materialeigenschaften der Tasse oder das menschliche Handzittern perfekt modelliert.

Mecka und seine Konkurrenten bieten eine Brachialgewaltlösung: echte Daten von echten Menschen, die echte Aufgaben erledigen. Es ist langsamer, teurer und schwerer zu skalieren als Simulation. Aber es funktioniert auf eine Weise, die Simulation noch nicht erreicht hat.

Eine realistische Einschätzung

Die Bewertung von 500 Millionen Dollar trägt offensichtliche Risiken. Mecka hat keine Kundenliste veröffentlicht. Seine Technologie – Menschen dafür zu bezahlen, Aufgaben mit Sensoren auszuführen – ist für sich genommen keine verteidigungsfähige Mauer; jedes gut finanzierte Konkurrenzunternehmen kann Leute mit Kameras einstellen. Der wahre Wert des Unternehmens könnte in der Software liegen, die die rohen Bewegungsdaten in brauchbare Trainingssignale verarbeitet – eine Schicht, die schwerer zu kopieren ist als die Datensammlung selbst.

Die grundlegende Frage ist, ob der Markt für Robotik-Trainingsdaten groß genug sein wird, um mehrere Milliarden-Dollar-Unternehmen zu tragen. Wenn humanoide Roboter ein Billionen-Dollar-Markt sind, wie Optimisten vorhersagen, dann könnte allein die Datenpipeline Dutzende von Milliarden wert sein. Wenn Humanoide ein Nischenwerkzeug bleiben, werden auch die sie versorgenden Datenunternehmen in der Nische bleiben.

Eines ist jedoch klar: Der nächste KI-Engpass liegt nicht in der Cloud. Er liegt in den physischen Bewegungen von Menschen, die Kaffee kochen.

Quellen

• TechCrunch: "Mecka AI nears $500M valuation in Sequoia-led deal amid rush for robot training data" (https://techcrunch.com/2026/09/11/mecka-ai-nears-500m-valuation-in-sequoia-led-deal-amid-rush-for-robot-training-data/)
• Fortune: "Exclusive: Mecka AI raises $60 million to train robots with human data" (https://news.google.com/rss/articles/CBMiiwFBVV95cUxOM2N6Y0dWTTNJTHdyMlZKSlZXSTlSRk5mOE9ydFk0VEVzRWlQY29LUnp4VXJYSEZBSFkteGpEU1puQlFRVkF1QUVPRzk5bkhuS19OdDB6MURUMXpPQUhFSVZTYmdGdmFLQnJHRHhLcGdtbEhDWERpTENMdy1fVENIcU10R1lCWVVsTUNr?oc=5)
• TechCrunch: "XDOF, just 3 months out of stealth, is in talks for a Series B at a $1.2B valuation" (https://techcrunch.com/2026/09/04/xdof-nears-1-2b-valuation-just-months-after-leaving-stealth/)
• Figure: "Introducing Index: Building The World's Largest and Most Diverse Physical Dataset" (https://news.google.com/rss/articles/CBMiV0FVX3lxTE82Y1ZiUmFmWXlBQTBud3BzS3k5dkFQQlNaMW1TR2J6Yzk1ZzlfQWdyZXYxU2tuTVlrWWpYaXR3WklSellZSlJCblh2TTY5NXBabF8yc09SMA?oc=5)