AGENTISCHE KI IN DER EDA WENN KI NICHT MEHR NUR ASSISTIERT, SONDERN
EDA-WORKFLOWS STEUERT
24.06.2026 Von Susanne Braun 8 min Lesedauer
Anbieter zum Thema
Mit dem Fuse EDA AI Agent will Siemens EDA die nächste Stufe der KI-gestützten
Entwurfsautomatisierung erreichen. Im Zentrum steht nicht ein weiterer Copilot,
sondern ein agentisches System, das komplexe Workflows über mehrere EDA-Tools
hinweg planen, ausführen und überwachen soll.
(KI) beginnt in der EDA nicht erst mit generativer KI. -Verfahren stecken längst
in Werkzeugen, die Simulationen beschleunigen, Variationen besser beherrschbar
machen oder einzelne Entwurfsschritte optimieren. Was sich derzeit verändert,
ist der Anspruch: KI soll nicht mehr nur an einzelnen Stellen helfen, sondern
ganze Abläufe über mehrere Werkzeuge hinweg koordinieren. Genau diese Richtung
war 2026 bei mehreren EDA- und Halbleiterveranstaltungen zu erkennen. Wie ein
solcher Orchestrator aussehen kann, zeigt Siemens EDA mit dem Fuse EDA AI Agent.
Der Fuse EDA AI Agent steht in diesem Jahr im Fokus des Unternehmens. Amit
Gupta, Chief AI Strategy Officer und Senior Vice President und General Manager
für Solido Custom IC bei Siemens EDA, beschreibt die Entwicklung hin zu
agentischer KI als eine Verschiebung auf zwei Ebenen. Einerseits sollen KI und
GPU-Beschleunigung die rechenintensiven Kernfunktionen der EDA-Werkzeuge
beschleunigen, etwa Simulation, Verifikation oder Optimierung. Andererseits soll
agentische KI die Produktivität der Ingenieure erhöhen, indem sie komplexe
Abläufe über mehrere Tools hinweg plant und ausführt.
„-Copiloten waren die erste Antwort der Branche auf diese zweite Notwendigkeit,
aber sie sind nicht mehr ausreichend“, sagt Gupta. Angesichts zunehmender
Designkomplexität und fragmentierter Toollandschaften ließen sich manuelle
Skripte und isolierte Punktlösungen nicht mehr sinnvoll skalieren.
Der Fuse EDA AI Agent baut auf dem Fuse EDA AI System auf und soll Workflows im
Halbleiter- und PCB-Systemdesign über mehrere Werkzeuge hinweg planen, ausführen
und anpassen. Die Spanne reicht laut Siemens von frühen Design- und
Verifikationsphasen über physische Implementierung, Timing Closure und
Power-Optimierung bis hin zu DRC-Analysen, Design-for-Test und Manufacturing
Sign-off. Damit adressiert Siemens einen Punkt, der in vielen
Entwicklungsumgebungen zum Engpass geworden ist: Moderne Designs entstehen nicht
in einem einzelnen Werkzeug, sondern in langen, hoch spezialisierten Toolketten.
Je komplexer diese werden, desto größer wird der Aufwand, sie zu koordinieren.
Nicht nur die Berechnungen selbst kosten Zeit, sondern auch die Übergaben
zwischen Tools, die von Zwischenergebnissen und die Rückläufe, wenn ein späterer
Schritt Probleme sichtbar macht.
Gupta formuliert den Anspruch entsprechend größer als bei einem klassischen
Assistenzsystem: „Genau das bietet der Fuse EDA AI Agent: den Übergang von
KI-Funktionen innerhalb einzelner Tools hin zu einer autonomen, durchgängigen
Workflow-Orchestrierung.“ Kunden sollen dadurch Designzyklen verkürzen, ohne
Qualitätsstandards aufzugeben. Wie stark dieser Effekt in der Praxis ausfällt,
dürfte allerdings stark von der jeweiligen Toollandschaft, Datenbasis und
Prozessreife im Unternehmen abhängen.
Tool-Abdeckung und Integration
Der Fuse EDA AI Agent deckt laut Siemens zentrale Werkzeuge des eigenen
EDA-Portfolios ab: Catapult, Questa One Agentic Toolkit, Aprisa, Solido, Veloce
und Calibre sowie für PCB-Workflows Xpedition und Hyperlynx. Ergänzend
unterstützt er Tessent für Design-for-Test und Calibre OPC für
Fertigungsvorbereitung. Wichtig für Anwender mit gewachsenen Toollandschaften:
Der Agent soll sich über die MCP-Architektur und ein offenes Framework auch mit
Drittanbieter-Tools, eigenen Workflows und kundenspezifischen Modellen
integrieren lassen. Damit zielt Siemens nicht nur auf einzelne Toolketten,
sondern auf heterogene EDA-Umgebungen.
WARUM GENERISCHE KI FÜR EDA NICHT REICHT
Halbleiter- und Leiterplattenentwicklung ist kein Umfeld, in dem sich ein
allgemeiner KI-Agent einfach auf bestehende Tools setzen lässt. Die Prozesse
sind physikalisch geprägt, die Datenformate speziell, die Datenmengen groß und
die IP hochsensibel. Generische Agenten stoßen hier schnell an Grenzen. Sie
kennen die Bedeutung vieler EDA-Workflows nicht, konfigurieren Werkzeuge nicht
zuverlässig und können bei langen Toolketten den Kontext verlieren oder falsche
Schlüsse ziehen.
Gupta nennt im Interview fünf Hürden, die Siemens bei der Entwicklung von Fuse
EDA AI Agent adressieren musste:
* Erstens beruht Chipdesign auf physikalischen Methoden und Erfahrungswissen,
was in öffentlichen Trainingsdaten kaum abgebildet sind. Ein generischer
KI-Agent weiß deshalb nicht automatisch, wie ein EDA-Werkzeug konfiguriert
oder ein Workflow sinnvoll sequenziert werden muss.
* Zweitens laufen EDA-Workloads häufig auf sicheren lokalen Clustern mit
älteren Schedulern und riesigen Datensätzen, nicht in generischen
Cloud-Frameworks. Ein Agent muss sich also in bestehende HPC- und
Unternehmensinfrastrukturen einfügen, statt von einer idealisierten
KI-Cloud-Umgebung auszugehen.
* Drittens kann die Größe moderner Werkzeugketten Standardmodelle überfordern.
Je mehr Tools, Parameter, Zwischenergebnisse und Abhängigkeiten ein Modell
gleichzeitig berücksichtigen muss, desto größer wird das Risiko, dass der
Kontext nicht mehr sauber verarbeitet wird oder falsche Schlüsse entstehen.
* Viertens liegen viele EDA-Daten in komplexen, teils binären Formaten wie
Wellenformen, Netzlisten, LEF/DEF oder GDSII vor. Damit KI daraus verwertbare
Informationen ziehen kann, braucht sie spezialisierte Parser und eine saubere
Datenaufbereitung.
* Fünftens erfordert sensible IP robuste Sicherheitsmechanismen. Rollenbasierte
Zugriffe, abgeschottete Ausführungsumgebungen, Audit-Trails und
Freigabepunkte durch Menschen sind deshalb nicht Beiwerk, sondern
Voraussetzung für produktive agentische KI in der EDA.
Siemens positioniert Fuse deshalb nicht als allgemeinen KI-Assistenten, sondern
als domänenspezifische Architektur mit EDA-, spezialisierten Parsern,
-Framework, rollenbasierten Zugriffen, Audit-Trails und
Human-in-the-Loop-Kontrollpunkten. Gerade der Sicherheitsaspekt ist für die
Zielgruppe wichtig. Chipdesigns und PCB-Systeme enthalten hochsensible IP. Ein
agentisches System, das eigenständig Werkzeuge aufruft und Daten verarbeitet,
muss deshalb nicht nur leistungsfähig sein, sondern auch kontrollierbar bleiben.
VOM WERKZEUGAUFRUF ZUR WORKFLOW-ORCHESTRIERUNG
Technisch setzt der Fuse EDA AI Agent auf eine modulare Architektur. Dafür
zerlegt Siemens EDA-Prozesse in einzelne Teilabläufe, die als ausführbare
Arbeitsanweisungen hinterlegt werden. Diese „Agent Skills“ beschreiben, welche
Schritte der Agent in welcher Reihenfolge ausführen soll und welches Fachwissen
dafür nötig ist. Über das sollen Werkzeuge dynamisch erkannt und aufgerufen
werden. Ein Supervisor-Agent kann Aufgaben planen und an spezialisierte
Worker-Agenten verteilen. Ziel ist nicht, den gesamten Designprozess in einem
Schritt zu automatisieren, sondern zunächst klar definierte Teilabläufe
zuverlässig abzubilden und diese später zu größeren Workflows zusammenzusetzen.
JETZT NEWSLETTER ABONNIEREN
TÄGLICH DIE WICHTIGSTEN INFOS ZU BIG DATA, ANALYTICS & AI
Geschäftliche E-Mail
Bitte geben Sie eine gültige E-Mailadresse ein.
Abonnieren
Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und
Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details)
einverstanden und akzeptiere die . Weitere Informationen finde ich in unserer .
Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von
redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu
Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).
Aufklappen für Details zu Ihrer Einwilligung
Stand: 08.12.2025
Es ist für uns eine Selbstverständlichkeit, dass wir verantwortungsvoll mit
Ihren personenbezogenen Daten umgehen. Sofern wir personenbezogene Daten von
Ihnen erheben, verarbeiten wir diese unter Beachtung der geltenden
Datenschutzvorschriften. Detaillierte Informationen finden Sie in unserer .
EINWILLIGUNG IN DIE VERWENDUNG VON DATEN ZU WERBEZWECKEN
Ich bin damit einverstanden, dass die Vogel IT-Medien GmbH,
Max-Josef-Metzger-Straße 21, 86157 Augsburg, einschließlich aller mit ihr im
Sinne der §§ 15 ff. AktG verbundenen Unternehmen (im weiteren: Vogel
Communications Group) meine E-Mail-Adresse für die Zusendung von Newslettern und
Werbung nutzt. Auflistungen der jeweils zugehörigen Unternehmen
können abgerufen werden.
Der Newsletterinhalt erstreckt sich dabei auf Produkte und Dienstleistungen
aller zuvor genannten Unternehmen, darunter beispielsweise Fachzeitschriften und
Fachbücher, Veranstaltungen und Messen sowie veranstaltungsbezogene Produkte und
Dienstleistungen, Print- und Digital-Mediaangebote und Services wie weitere
(redaktionelle) Newsletter, Gewinnspiele, Lead-Kampagnen, Marktforschung im
Online- und Offline-Bereich, fachspezifische Webportale und E-Learning-Angebote.
Wenn auch meine persönliche Telefonnummer erhoben wurde, darf diese für die
Unterbreitung von Angeboten der vorgenannten Produkte und Dienstleistungen der
vorgenannten Unternehmen und Marktforschung genutzt werden.
Meine Einwilligung umfasst zudem die Verarbeitung meiner E-Mail-Adresse und
Telefonnummer für den Datenabgleich zu Marketingzwecken mit ausgewählten
Werbepartnern wie z.B. LinkedIN, Google und Meta. Hierfür darf die Vogel
Communications Group die genannten Daten gehasht an Werbepartner übermitteln,
die diese Daten dann nutzen, um feststellen zu können, ob ich ebenfalls Mitglied
auf den besagten Werbepartnerportalen bin. Die Vogel Communications Group nutzt
diese Funktion zu Zwecken des Retargeting (Upselling, Crossselling und
Kundenbindung), der Generierung von sog. Lookalike Audiences zur
Neukundengewinnung und als Ausschlussgrundlage für laufende Werbekampagnen.
Weitere Informationen kann ich dem Abschnitt „“ in der Datenschutzerklärung
entnehmen.
Falls ich im Internet auf Portalen der Vogel Communications Group einschließlich
deren mit ihr im Sinne der §§ 15 ff. AktG verbundenen Unternehmen geschützte
Inhalte abrufe, muss ich mich mit weiteren Daten für den Zugang zu diesen
Inhalten registrieren. Im Gegenzug für diesen gebührenlosen Zugang zu
redaktionellen Inhalten dürfen meine Daten im Sinne dieser Einwilligung für die
hier genannten Zwecke verwendet werden. Dies gilt nicht für den Datenabgleich zu
Marketingzwecken.
Recht auf Widerruf
Mir ist bewusst, dass ich diese Einwilligung jederzeit für die Zukunft
widerrufen kann. Durch meinen Widerruf wird die Rechtmäßigkeit der aufgrund
meiner Einwilligung bis zum Widerruf erfolgten Verarbeitung nicht berührt. Um
meinen Widerruf zu erklären, kann ich als eine Möglichkeit das unter abrufbare
Kontaktformular nutzen. Sofern ich einzelne von mir abonnierte Newsletter nicht
mehr erhalten möchte, kann ich darüber hinaus auch den am Ende eines Newsletters
eingebundenen Abmeldelink anklicken. Weitere Informationen zu meinem
Widerrufsrecht und dessen Ausübung sowie zu den Folgen meines Widerrufs finde
ich in der .
Gupta vergleicht diesen Ansatz mit Legosteinen: Sobald genügend solcher
Bausteine in Form automatisierter Teilabläufe vorliegen, lassen sie sich zu
umfassenderen Multi-Tool-Workflows über den gesamten Lebenszyklus hinweg
kombinieren. Das ist ein wichtiger Unterschied zur Marketing-Erzählung vom
vollständig autonomen Chipdesign. In der aktuellen Ausprägung bleibt die
menschliche Kontrolle entscheidend. Ingenieure formulieren Absichten, überwachen
Ergebnisse, greifen bei wichtigen Entscheidungen ein und behalten die
Verantwortung für technische Abwägungen.
Im Alltag könnte das bedeuten, dass Entwickler nicht mehr jeden Zwischenschritt
manuell anstoßen, konfigurieren und prüfen müssen. Stattdessen beschreiben sie
ein Ziel, etwa eine Analyse oder Optimierung, und das System übernimmt auf Basis
dieser Vorgabe die Tool-Auswahl, Ablaufplanung, Ausführung, Validierung und
gegebenenfalls Fehlerbehebung innerhalb definierter Grenzen. „Was wir
Ingenieuren zurückgeben, ist Zeit und die Möglichkeit, ihre Arbeit auf
Innovation zu konzentrieren“, sagt Gupta. Die operative Last aus Tool-Erkennung,
Ablaufplanung, Validierung und Fehlerbehebung solle sinken.
Die Rolle der Ingenieure würde sich damit verschieben. Gupta beschreibt als
längerfristige Vision, dass Ingenieure von der Aufgabenausführung zur
strategischen Überwachung übergehen und parallele Agenten beaufsichtigen, die
gleichzeitig Leistung, Energieverbrauch und Fläche optimieren. Für Unternehmen
stellt sich damit nicht nur eine technische, sondern auch eine organisatorische
Frage. Wer entscheidet, welche Aufgaben Agenten eigenständig übernehmen dürfen?
An welchen Stellen bleiben Freigaben erforderlich und wie werden Ergebnisse
nachvollziehbar dokumentiert?
Dazu verschiebt sich ein Teil der Vorarbeit allerdings zu den
Anwenderunternehmen selbst. Agentische Systeme profitieren von klar
beschriebenen Workflows, konsistenten Datenstrukturen und definierten
Freigabepunkten. Wo Prozesse stark informell, skriptbasiert oder nur in den
Köpfen einzelner Experten dokumentiert sind, dürfte die Einführung entsprechend
aufwendiger werden.
NVIDIA ALS INFRASTRUKTURPARTNER
Der Fuse EDA AI Agent unterstützt Nvidia-GPUs, Nemotron-Modelle und
KI-Infrastruktur aus dem Nvidia-Ökosystem. Die Nemotron-Modelle sollen
insbesondere bei Reasoning und Tool-Calling zuverlässig arbeiten und zugleich
den Durchsatz erhöhen. Das ist für industrielle EDA-Anwendungen wichtig, weil
ein Agent nicht nur einmal antwortet, sondern viele Zwischenschritte plant,
Werkzeuge aufruft und Ergebnisse bewertet. Dadurch steigen die Anforderungen an
Zuverlässigkeit, Rechenleistung und -Kosten.
Oder anschaulicher dargestellt: Bei einem einfachen Chat stellt man eine Frage
und bekommt eine Antwort. Bei einem EDA-Agenten passiert viel mehr, denn der
Agent muss planen, Zwischenschritte formulieren, Werkzeuge aufrufen, Ergebnisse
zurücklesen, bewerten, gegebenenfalls Fehler korrigieren und den nächsten
Schritt auslösen. Jeder dieser Schritte kann Modellaufrufe und damit
Token-Verbrauch erzeugen.
Gupta bezeichnet die Zusammenarbeit mit Nvidia als bedeutend. Der Agent
unterstützt Nvidia-GPUs, Nemotron-Modelle und NIM-Infrastruktur, um komplexe
Workflows zuverlässiger auszuführen. Nemotron-Modelle böten „eine hohe Präzision
und einen erhöhten Durchsatz für agentische EDA-Tool-Aufrufe“. Siemens und
Nvidia stellen die Partnerschaft als Schritt hin zu langlebigen, autonomen
Agenten dar, die komplexe Engineering-Tools sicher bedienen und Aufgaben über
längere Workflows hinweg koordinieren können.
Laut Siemens nutzt Nvidia die Fuse-EDA-Lösung auch in der eigenen
Chipentwicklung. Für Siemens ist das ein wichtiger Referenzpunkt; für Anwender
bleibt dennoch entscheidend, wie gut sich solche Systeme in bestehende,
heterogene EDA-Landschaften integrieren lassen. Gerade in Umgebungen mit
mehreren EDA-Anbietern, gewachsenen Skriptlandschaften und strengen IP-Vorgaben
dürfte die Einführung agentischer Workflows weniger ein Plug-and-play-Thema als
ein schrittweiser Integrationsprozess sein.
WAS FÜR ANWENDER RELEVANT WIRD
Für Halbleiter- und PCB-Entwicklungsteams ist deshalb weniger die einzelne
Produktfunktion interessant als die Frage, wie weit sich gewachsene EDA-Prozesse
überhaupt automatisieren lassen. Agentische KI kann Routineabläufe, Toolwechsel,
Analyseketten und Fehlerbehebungen beschleunigen. Sie macht aber auch sichtbar,
wo Prozesse nicht sauber beschrieben sind, wo Daten fehlen oder wo
Verantwortlichkeiten bisher eher informell geregelt wurden.
Damit rücken , Toolintegration, Zugriffskontrolle und Governance stärker in den
Vordergrund. Hinzu kommt die Frage der Nachvollziehbarkeit: Je mehr Schritte ein
Agent selbstständig plant und ausführt, desto wichtiger wird es, Entscheidungen,
Werkzeugaufrufe und Zwischenergebnisse lückenlos zu protokollieren. Für
produktive EDA-Umgebungen reicht es nicht, dass ein Ergebnis plausibel wirkt.
Viel mehr muss nachvollziehbar sein, wie es zustande gekommen ist.
Der praktische Nutzen wird deshalb stark davon abhängen, wie gut Unternehmen
ihre bestehenden Workflows strukturieren, welche Datenquellen zugänglich gemacht
werden können und wie präzise sich Verantwortlichkeiten zwischen Mensch und
Agent definieren lassen. Für kleinere, klar umrissene Aufgaben dürfte agentische
KI schneller greifbaren Nutzen liefern. Anspruchsvoller wird die Vision, wenn
KI-Agenten nicht nur einzelne Arbeitsschritte automatisieren, sondern mehrere
Entwurfsziele parallel gegeneinander abwägen sollen: Rechenleistung,
Energieverbrauch und Chipfläche (PPA). Diese Größen hängen eng zusammen; eine
Verbesserung an einer Stelle kann an anderer Stelle neue Probleme erzeugen.
Gupta sieht den Übergang dennoch bereits im Gang: „Der Übergang von Copiloten zu
autonomen Agenten ist keine ferne Perspektive. Er ist bereits im Gange.“ Der
Fuse EDA AI Agent ist damit weniger als isolierte Produktneuheit zu lesen,
sondern als Signal für einen breiteren Wandel. KI wird in der EDA nicht mehr nur
als Assistenzfunktion innerhalb einzelner Werkzeuge gedacht. Sie soll zunehmend
Workflows verbinden, Entscheidungen vorbereiten und technische Abläufe
eigenständig koordinieren.
Für Ingenieure verschiebt sich damit die Frage von „Welche Aufgabe kann KI mir
abnehmen?“ zu „Welche Teile meines Entwicklungsprozesses kann ich einem
kontrollierten Agentensystem anvertrauen?“ Ob agentische KI in der EDA schnell
vom Demonstrator zum produktiven Werkzeug wird, dürfte genau an dieser Stelle
entschieden werden: bei der Balance aus Automatisierung, Kontrolle und
Vertrauen.
Dieser Artikel stammt von unserem Partnerportal .
(ID:50877952)