Gemini Robotics 2.5: Hvad Googles robot-AI kan, og hvad den betyder for virksomheder

Simon Gütter · 14. november 2026 · Læsetid ca. 13 minutter

Forsidebillede »Gemini Robotics 2.5«: Robothånd lægger en croissant i en papirpose med en orange tang, med en produktionshal i baggrunden

Kan en robot på en kørende bilfabrik tage metaldele op af en kasse og sortere dem i den rigtige rækkefølge, uden at nogen på forhånd har programmeret hvert eneste håndgreb? Det er netop, hvad Google DeepMind har vist med Gemini Robotics 2.5, som blev præsenteret den 10. november 2026. I en test på Mercedes-Benz' fabrikker lå succesraten på 96 procent.1 Jeg har set på, hvad der gemmer sig bag modellen, hvad tallene betyder, og hvad af det der allerede i dag er relevant for små og mellemstore virksomheder.

Kort sagt

Gemini Robotics 2.5 er en AI-model, der styrer robotter: Den ser via kameraer, forstår anvisninger i almindeligt sprog og omsætter dem til bevægelser i arme og hænder. Sammenlignet med forgængeren klarer den ifølge Google markant flere fine håndgreb, f.eks. at pakke bagværk ind med en tang eller løsne en sløjfe, og arbejder 20 til 30 procent hurtigere. Du kan endnu ikke købe eller selv bruge modellen, den går foreløbig kun til robotikpartnere som Apptronik. Det, du allerede i dag kan prøve, er planlægningsmodellen Gemini Robotics ER 2 i Google AI Studio.1,2

Det vigtigste i tal

  • 96 % succesrate ved sortering af bildele med den humanoide robot Apollo 2 i Mercedes-fabrikkerne i Kecskemét (Ungarn) og Sindelfingen.1
  • 30 til 100 % højere succesrate end forgængerne, afhængigt af opgaven, med 20 til 30 % kortere udførelsestid.1
  • Over 200 forskellige opgaver i testen, fra pipettering til servering med tang.1
  • +33 % og +43 % flere opgaver løst sikkert i nærheden af hindringer og af mennesker.1
  • 99,5 i stedet for 82 % modstandsdygtighed over for camouflerede, farlige anvisninger (Gemini 4 Argon sammenlignet med Gemini Robotics ER 2).1

Hvad er Gemini Robotics 2.5?

Gemini Robotics 2.5 er en såkaldt Vision-Language-Action-model, kort sagt en VLA-model. Navnet beskriver måden, den arbejder på: Den får kamerabilleder (Vision) og en anvisning i sprog (Language) og afgiver direkte styrekommandoer til motorer (Action).1,3 Klassiske industrirobotter arbejder anderledes. De kører en fast programmeret bane, og hvis en del ligger skævt i kassen, standser de eller griber ved siden af. En VLA-model skal kunne indstille sig på den slags afvigelser, fordi den ser scenen og forstår opgaven.

Google satser på et samspil mellem to modeller. Planlægningsmodellen Gemini Robotics ER 2 (ER står for Embodied Reasoning) har overblikket: Den forstår rummet, deler en opgave op i trin, taler med mennesker og kontrollerer, om et trin lykkedes. Handlingsmodellen Gemini Robotics 2.5 omsætter de enkelte trin til bevægelser.1,4 Til robotter, der skal arbejde uden internet eller uden forsinkelse, findes der desuden en mindre variant, som kører direkte på selve enheden.4

Model Opgave Tilgængelighed (pr. 14.11.2026)
Gemini Robotics 2.5 Handlingsmodel (VLA): styrer arme, hænder og hele kroppen kun robotikpartnere
Gemini Robotics ER 2 Planlægningsmodel: forstår rummet, planlægger trin, koordinerer flere robotter offentlig preview i Google AI Studio og Gemini API, lukket preview i Gemini Enterprise Agent Platform
Gemini Robotics On-Device 2 lille VLA-model, kører lokalt på robotten early access-partnere
Gemini 4 Argon generel model, fremskynder robotikforskningen Gemini API (betalt), Google AI Ultra

Modellen er ikke bundet til en bestemt robot. Google viser den på den humanoide robot Apollo 2 fra Apptronik med en femfingret hånd (SharpaWave, 22 frihedsgrader) og på en Franka Duo-platform med to simple tofingrede gribere.1 Allerede On-Device-varianten af version 2 lod sig ifølge Google tilpasse til nye robotter med to arme på få timer, oftest med under 200 eksempler.4

Hvad er nyt i forhold til Gemini Robotics 2?

Gemini Robotics 2 udkom i juli 2026 og styrer robotter med hele kroppen, fra fod til fingerspids: at gå, bukke sig og gribe i ét forløb.4 Version 2.5 lægger vægten på fingerfærdighed og pålidelighed. Google nævner tre områder: mere fingerfærdighed, mere pålidelige resultater i den virkelige drift og mere sikkerhed.1

Spranget er tydeligst ved opgaver med bløde eller sarte ting. Stof og bånd ændrer form ved enhver berøring, og bagværk er hurtigt trykket flad. Det har i årevis hørt til det allersværeste for robotter. I Googles egne tests ser det sådan ud:1

Opgave Gemini Robotics 2 Gemini Robotics 2.5
Pakke bagværk ind med en tang 5 % 100 %
Løsne en gavesløjfe 0 % 70 %
Hænge en cardigan op 0 % 62 %
Folde bukser 0 % 40 %

Søjlediagram: Gemini Robotics 2.5 klarer at pakke bagværk ind med tang i 100 procent af forsøgene mod 5, løsne en gavesløjfe i 70 mod 0, hænge en cardigan op i 62 mod 0 og folde bukser i 40 mod 0 procent

Brug grafikken på din egen side

Du må gerne bruge grafikken frit med kildeangivelse. Kopiér blot denne kode:

<a href="https://simon-traffic.com/da/blog/ai-og-automatisering/gemini-robotics-robot-ai-for-virksomheder/"><img src="https://simon-traffic.com/assets/blog/gemini-robotics/gemini-robotics-2-5-erfolgsquote.da.png" alt="Gemini Robotics 2.5: Succesrate ved vanskelige håndgreb" width="1200" height="675"></a>
<p>Kilde: <a href="https://simon-traffic.com/da/blog/ai-og-automatisering/gemini-robotics-robot-ai-for-virksomheder/">Simon Traffic, Gemini Robotics 2.5</a></p>

Det, der falder mig ind her: Bukserne bliver kun foldet pænt i 40 procent af forsøgene. Til et vaskeri ville det være værdiløst. Men retningen er interessant, for med version 2 lå tre af disse fire opgaver stadig på nul. Alle værdier stammer fra Google selv, uafhængige målinger findes der endnu ikke.

Praksistesten hos Mercedes-Benz: Kitting med 96 procent

Den mest spændende del af annonceringen er for mig ikke laboratoriet, men fabrikken. Google DeepMind har sammen med Apptronik og Mercedes-Benz sat humanoide robotter af typen Apollo 2 ind på kørende produktionslinjer, i Kecskemét i Ungarn og i Sindelfingen.1

Opgaven hedder kitting: Enkeltdele tages ud af store kasser og sorteres i beholdere i præcis den rækkefølge, de senere skal bruges i på båndet til et bestemt køretøj. Det er monotont, fysisk hårdt og skal alligevel passe. I testen greb Apollo 2 metalbeslag fra lagerkasserne og lagde dem i sorteringsbeholderne. Planlægningsmodellen ER holdt øje med forløbet, handlingsmodellen 2.5 styrede hænder og arme og udlignede huller. Resultat: 96 procent succesrate.1

Apptronik-chef Jeff Cardenas siger hertil, at modellerne var blevet markant bedre efter få ugers efter-træning og var blevet overført til Mercedes-produktionen med næsten intet tab i ydeevne.1

Vigtigt for at sætte det i perspektiv: Google taler udtrykkeligt om et proof of concept, altså en gennemførlighedstest. Der er ikke tale om almindelig drift. 96 procent lyder højt, men betyder også, at der ved 100 dele i gennemsnit er fire greb, som ikke lykkes. På en linje, der kører i takt, kræver det stadig mennesker, der griber ind. Alligevel er det et andet niveau end de sædvanlige messevideoer, fordi det skete på en rigtig fabrik og ikke i en ryddelig laboratoriekulisse.

Gemini 4 Argon: Øvelse i simulation i stedet for kun på den rigtige robot

Robotter lærer langsomt, fordi hvert forsøg i den virkelige verden koster tid. Stille kameraet op, lad robotten køre, se på fejlene, justér, og det tusindvis af gange. Her kommer Gemini 4 Argon ind i billedet, Googles generelle topmodel, som i oktober 2026 også blev præsenteret til robotik.5

Ifølge Google har Argon fremskyndet udviklingen af Gemini Robotics 2.5 kraftigt, og det på tre måder:1

  1. Digital tvilling: Ud fra en rigtig kamerascene bygger Argon en realistisk simulation af det samme miljø.
  2. Øvelsesforløb: I denne simulation skaber den tusindvis af varierede gennemløb. Sammen med rigtige demonstrationer lærer robotten dermed hurtigere at håndtere nye scener og genstande.
  3. Fejlanalyse: Argon ser videoer af mislykkede forsøg, opstiller formodninger om, hvad der var årsagen, og tester forbedringer først i simulationen og derefter på den rigtige robot.

Hvor meget det batter, viser et eksempel fra Googles udviklerblog. Ud fra et eneste foto af et bord byggede Argon helt selv en fysiksimulation, skabte deri over 4.500 varierede øvelsesforløb og gav dem til robotmodellen til efter-træning. Derefter steg den rigtige robots succesrate fra 56 til 75 procent, og tiden pr. opgave faldt fra 35 til 24 sekunder.5

I benchmarken ERQA, som tester rumlig forståelse i 3D-miljøer, når Argon ifølge Google op på 87 procent og ligger dermed foran alle andre topmodeller.5 For mig er det den egentlige løftestang bag annonceringen. Hvis træningen af robotter til en stor del foregår i simulation, falder tid og omkostninger for hver ny opgave. Og det er netop det, der til sidst afgør, om en robot kan betale sig i en virksomhed med mange skiftende opgaver.

Sikkerhed: Sådan beskytter Google robotter mod fejl og manipulation

En sprogmodel, der svarer forkert, er irriterende. En robot, der griber forkert, kan komme til at skade nogen. Google nævner to nyheder.1

Sikkerhed under handling. Gemini Robotics 2.5 bruger under udførelsen en ekstra tænkehjælp, som i realtid styrer den uden om farer, ligesom sikkerhedsfiltre i en chatbot. I Googles tests blev der dermed løst 33 procent flere opgaver sikkert, når der var hindringer i vejen, og 43 procent flere, når der var mennesker i nærheden.1 Allerede Gemini Robotics ER 2 kan registrere, hvis nogen kommer for tæt på, og standse robotten sikkert.4

Beskyttelse mod camouflerede kommandoer. Med ASIMOV-Jailbreak har Google udgivet en åben test. Den indeholder hundredvis af anvisninger, der pakker farlige opgaver ind som harmløse, fordelt på snesevis af scener. Gemini 4 Argon modstår 99,5 procent af disse forsøg, mens det hidtidige sammenligningsgrundlag Gemini Robotics ER 2 lå på 82 procent.1 Testdatasættet ligger under licensen CC BY 4.0 på Hugging Face (adgang efter accept af brugsbetingelserne). Robotikvirksomheder kan bruge det til at teste deres egne systemer.6

Hvor står Google i forhold til Tesla, Nvidia og de andre?

Hvis du søger efter AI-robotter, havner du hurtigt ved Tesla Optimus eller Atlas fra Boston Dynamics. Den vigtigste forskel: Google sælger ikke egne robotter, men udvikler hjernen, der kommer ind i andre producenters robotter. Apollo 2's krop stammer fra Apptronik, den femfingrede hånd fra Sharpa og styringen fra Google DeepMind.1 Boston Dynamics hører også til Googles partnere.3 Tesla udvikler derimod robotter og software i ét hug, Nvidia leverer med Isaac GR00T egne modeller til humanoide robotter, og producenter fra Kina som Unitree sender billig hardware på markedet.

For virksomheder er det relevant, fordi det åbner to veje. Enten køber du senere et komplet system fra en producent eller en robot, som en model som Gemini Robotics kører på. Hvilken vej der sætter sig igennem, er åbent.

Physical AI: Hvad betyder det for små og mellemstore virksomheder?

Physical AI, på dansk fysisk AI, er lige nu et af de hurtigst voksende søgeemner. Det betyder dog ikke, at der i morgen står en humanoid robot i dit værksted. Min vurdering, som den ser ud i dag:

På kort sigt ændrer der sig ikke noget for de fleste virksomheder. Gemini Robotics 2.5 er kun tilgængelig for partnere, der findes ingen offentlig grænseflade og ingen pris. Den, der køber en humanoid robot nu, får ikke denne model med.

På mellemlang sigt er opgaver som kitting de første kandidater. Der tænkes på opgaver, som gentages ofte, men hvor delene ikke altid ligger ens: ordreplukning, sortering, pakning, ilægning af komponenter. Netop dér fejler klassiske industrirobotter, fordi omgivelserne er for rodede, og netop dér sætter Google ind. Der er dog stadig åbne spørgsmål, som hver virksomhed selv må afklare, før sådan en robot arbejder side om side med mennesker: Hvem hæfter, hvis den beskadiger noget eller kommer til at skade nogen, og hvordan passer den med sikkerhedsstandarderne for maskiner?

Det, du allerede kan gøre nu, har ikke meget med robotter at gøre. En robot med AI kræver ligesom enhver AI-anvendelse klart beskrevne forløb. Hvis du i dag dokumenterer dine håndgreb, rækkefølger og fejltilfælde ordentligt, er det grundlaget for enhver senere automatisering, digital som fysisk. Det er klassisk procesoptimering. Hvor din virksomhed står med AI samlet set, kan du vurdere på få minutter med AI-modenhedstjekket. De hurtigste gevinster ligger for de fleste små virksomheder fortsat i digitale forløb som tidsbestilling, forespørgsler og bilag, ofte allerede med en AI-agent eller en lokal model som Nemotron 3.5 Bolt.

Det kan du allerede prøve i dag

Helt uden robot kan du allerede nu se, hvordan Googles robotik-AI tænker:

  1. Gemini Robotics ER 2 i Google AI Studio. Planlægningsmodellen står dér klar som offentlig preview og tager imod tekst, billeder, video og lyd. Du uploader f.eks. et foto af en reol eller en arbejdsbænk, lader den genkende genstande og planlægge og forklare et forløb i trin.2
  2. Gemini 4 Argon via Gemini API. Argon er tilgængelig i det betalte niveau af Gemini API og for abonnenter på Google AI Ultra.5 I Googles udviklerblog finder du eksempel-prompts, f.eks. hvordan Argon bygger simulationer eller styrer en robot uden forudgående træning.
  3. Venteliste for testere. Google arbejder efter eget udsagn sammen med over 100 udvalgte testere, fra store automatiseringsvirksomheder til robotik-startups, og optager flere interesserede via en venteliste.3
  4. ASIMOV-benchmark. Den, der selv udvikler robotter, kan teste sin egen sikkerhed med det åbne datasæt.6

Tidslinje: Gemini Robotics fra 2025 til i dag

Dato Udgivelse Nyt
Marts 2025 Gemini Robotics første model, Gemini styrer robotter
September 2025 Gemini Robotics 1.5 AI-agenter i den fysiske verden, overførsel af bevægelser mellem robotter
April 2026 Gemini Robotics-ER 1.6 bedre planlægning og rumlig forståelse
Juli 2026 Gemini Robotics 2 styring af hele kroppen, flere robotter i hold
Oktober 2026 Gemini 4 Argon til robotik simulation, digitale tvillinger, fejlanalyse
November 2026 Gemini Robotics 2.5 mere fingerfærdighed, fabrikstest hos Mercedes, ASIMOV-Jailbreak

Kilde: Google DeepMind.1,4

Konklusion: Et stort skridt, men endnu ikke et produkt

Gemini Robotics 2.5 viser, at AI-styrede robotter er på vej ud af laboratoriet. 96 procent ved kitting på en rigtig bilfabrik og spranget ved bløde, sarte genstande er imponerende, selv om alle tal stammer fra Google selv. Den egentlige fremgang ligger for mig i træningen: Hvis robotter får en stor del af deres øvelse i simulation, bliver hver ny opgave billigere.

For små og mellemstore virksomheder er emnet i dag stadig noget, man skal følge med i, ikke købe. Men den, der nu beskriver sine forløb ordentligt og indfører digital automatisering, er forberedt, når fysisk AI bliver til at betale.

Ofte stillede spørgsmål om Gemini Robotics

Hvad er Gemini Robotics?

Gemini Robotics er en modelfamilie fra Google DeepMind, der styrer robotter med AI. Den består af en planlægningsmodel (Gemini Robotics ER 2), en handlingsmodel (Gemini Robotics 2.5) og en lille variant til brug direkte på robotten (On-Device 2).3

Kan jeg købe eller bruge Gemini Robotics 2.5?

Nej, ikke endnu. Gemini Robotics 2.5 udleveres til robotikpartnere som Apptronik. Offentligt tilgængelig er planlægningsmodellen Gemini Robotics ER 2 i Google AI Studio. Til tidlig adgang findes der en venteliste.1,3

Hvad er en VLA-model?

VLA står for Vision, Language, Action. En sådan model får kamerabilleder og en anvisning i sprog og skaber ud fra det direkte bevægelseskommandoer til en robot. Den behøver altså ikke at blive programmeret til hvert enkelt håndgreb.1

Hvad er forskellen på Physical AI og Embodied AI?

Begge begreber betegner AI, der ikke kun behandler tekst eller billeder, men handler i den fysiske verden, f.eks. i en robot. Embodied AI fremhæver kroppen, altså at AI'en opfatter via sensorer og handler via motorer. Embodied AI kommer snarere fra forskningen, Physical AI er det gængse branche- og markedsbegreb. I praksis betyder de to som regel det samme.

Hvilke robotter fungerer Gemini Robotics 2.5 med?

Google viser den på den humanoide robot Apollo 2 fra Apptronik og på Franka Duo-platformen med to gribearme. Modelfamilien er udviklet til at arbejde med mange robottyper. Partnere er blandt andre Apptronik, Agile Robots og Boston Dynamics.1,3

Arbejder humanoide robotter nu i produktionen hos Mercedes-Benz?

Ikke i almindelig drift. Brugen af Apollo 2 i Kecskemét og Sindelfingen var en gennemførlighedstest på kørende linjer, hvor robotterne sorterede dele med 96 procent succesrate.1

Hvornår kommer AI-robotter til små virksomheder?

Der er ingen dato. Google nævner hverken pris eller tidspunkt for bred tilgængelighed.1 Først og fremmest vil store industrivirksomheder og logistikfirmaer formentlig få gavn, ved opgaver som kitting og ordreplukning. For mindre virksomheder kan det betale sig indtil da at dokumentere forløb og indføre digital automatisering.

Hvad er Gemini 4 Argon?

Gemini 4 Argon er Googles generelle topmodel. I robotikken bygger den simulationer og digitale tvillinger ud fra kamerabilleder, skaber øvelsesforløb og analyserer fejl. Den er tilgængelig via den betalte Gemini API og Google AI Ultra.5

Forslag til citering

Gütter, Simon (2026): Gemini Robotics 2.5: Hvad Googles robot-AI kan, og hvad den betyder for virksomheder. Simon Traffic, 14. november 2026. https://simon-traffic.com/da/blog/ai-og-automatisering/gemini-robotics-4/

Kilder

  1. Google DeepMind: Gemini Robotics 2.5 accelerates real-world general dexterity, 10.11.2026.
  2. Google DeepMind: Gemini Robotics ER 2, modelside, hentet 14.11.2026.
  3. Google DeepMind: Gemini Robotics, oversigt og partnere, hentet 14.11.2026.
  4. Google DeepMind: Gemini Robotics 2 brings whole body intelligence to robots, 30.07.2026.
  5. Google Developers Blog: Gemini 4 Argon for Robotics, 13.10.2026.
  6. Google på Hugging Face: ASIMOV Agentic Safety Evaluation inklusive ASIMOV-Jailbreak, licens CC BY 4.0, hentet 14.11.2026.

Alle ydelsesværdier er producentoplysninger fra Google DeepMind. Status: 14. november 2026.