Tony Funderburk ist Director of Global Electronics & High Tech PLM Sales bei PTC. In dieser Funktion berät und unterstützt er Unternehmen, die ihre Innovationskraft steigern, die Produktkomplexität bewältigen und die digitale Transformation mithilfe von Produktlebenszyklusmanagement-Lösungen vorantreiben möchten. Mit mehr als 25 Jahren Erfahrung im Vertrieb von Unternehmenssoftware und in Führungspositionen verfügt Tony über fundiertes Fachwissen in der Elektronik- und Halbleiterbranche. Er arbeitet eng mit Unternehmen zusammen, um die Produktentwicklung zu verbessern, die Kollaboration zu stärken und widerstandsfähigere Betriebsabläufe aufzubauen.
Das Wichtigste auf einen Blick:Halbleiterunternehmen investieren massiv in KI, doch viele Projekte kommen ins Stocken, weil Produktdaten fragmentiert, unzureichend verwaltet oder schwer zugänglich sind. Der Ausgangspunkt ist die technische Kontinuität: ein Digital Thread, der Daten aus den Bereichen Design, Fertigung, Qualität und Lieferkette in einer rückverfolgbaren, geregelten Grundlage miteinander verbindet.
Die Halbleiterindustrie steht an der Spitze unseres von KI geprägten Zeitalters. Die Nachfrage nach fortschrittlichen Chips steigt weiter an. Produktarchitekturen werden immer komplexer. Unternehmen nutzen KI, um Entwicklungszyklen zu verkürzen, die Ausbeute zu verbessern, Nacharbeiten zu reduzieren und über den gesamten Produktlebenszyklus hinweg bessere Entscheidungen zu treffen.
KI kann unzusammenhängende Produktdaten nicht ausgleichen. Wenn Anforderungen, Stücklisten, technische Änderungen, Testergebnisse, Qualitätsaufzeichnungen und Zulieferer-Informationen in getrennten Systemen gespeichert sind, fehlt KI-Modellen der Kontext, den sie benötigen, um zuverlässige Ergebnisse zu liefern.
Bevor Unternehmen KI in großem Maßstab einsetzen können, müssen sie die versteckten Kosten der mangelnden Vernetzung zwischen den technischen Systemen in den Bereichen PLM, MES, ERP, Qualitätsmanagement und Systeme der Zulieferer angehen.
Die Ambitionen im Bereich der KI übertreffen die Datenverfügbarkeit
Diese Lücke in der Bereitschaft bremst KI-Programme bereits jetzt aus.
- Accenture stellte fest, dass 61 % der führenden Unternehmen angeben, ihre Datenbestände seien noch nicht für generative KI bereit.
- Eine Untersuchung von Gartner ergab, dass 63 % der Unternehmen unsicher sind, ob sie über die richtigen Datenmanagementpraktiken für KI verfügen.
Für Halbleiterunternehmen ist dieses Risiko schwer einzudämmen und mit konkreten geschäftlichen Kosten verbunden. IBM berichtet, dass mehr als ein Viertel der Unternehmen schätzt, jährlich über 5 Millionen US-Dollar aufgrund schlechter Datenqualität zu verlieren.
In Halbleiterunternehmen äußern sich diese Verluste in Nacharbeiten, verzögerten Entscheidungen, doppelten Aufwänden für Engineering und langsameren Reaktionen auf Probleme in der Fertigung oder bei der Qualität.
Innovation ist schwierig, aber Warten ist keine Option
Unsere Infografik zeigt, was passiert, wenn Prozessengpässe zu Verzögerungen führen.
Infografik ansehenDie KI-Bereitschaft hängt von der Kontinuität im Engineering ab
Für Halbleiterunternehmen stellt die KI-Bereitschaft eine Herausforderung für das Engineering dar. Produktportfolios können Zehntausende von Artikelnummern, eine hohe Variantenkomplexität sowie Produkte umfassen, die jahrzehntelang in Produktion bleiben. KI benötigt große Datensätze und einen geregelten Produktkontext.
Warum hybride IDMs vor großen Herausforderungen stehen
Hybride IDMs verwalten die interne als auch die externe Fertigung – eine besondere Herausforderung.
Mehr erfahrenAnforderungen, Konfigurationen, technische Änderungen, Fertigungsunterlagen, Prüfdaten, Qualitätsvorfälle und Angaben der Zulieferer müssen so miteinander verknüpft sein, dass ihre Aussagekraft und Rückverfolgbarkeit gewahrt bleiben. Ist dies nicht der Fall, verbringen Teams mehr Zeit damit, Daten zu bereinigen, zusammenzuführen und zu diskutieren, als sie tatsächlich zu nutzen.
Der „Digital Thread“ stellt diese Verbindung her. Er verknüpft Produktdaten über den gesamten Lebenszyklus hinweg – von den Anforderungen und der Konstruktion bis hin zur Fertigung, zu Tests, zur Qualitätssicherung und zur Lieferkette. Vor diesem Hintergrund kann KI erkennen, was passiert ist, warum es passiert ist und welche Auswirkungen dies nachgelagert haben könnte.
Wie ein Digital Thread die KI in der Halbleiterindustrie ermöglicht
Ein starker Digital Thread bietet Halbleiterteams drei Vorteile:
1. Kontrollierte Produktdaten.
KI benötigt saubere, versionierte und verbindliche Eingaben. Ein Digital Thread sorgt dafür, dass Produktdaten strukturiert und kontrolliert bleiben, anstatt über Tabellenkalkulationen, doppelte Systeme oder „Stammeswissen“ verstreut zu sein.
2. Domänenübergreifende Transparenz.
Die Halbleiterentwicklung erstreckt sich über EDA-Toolketten, PLM, MES, ERP, Test- und Zulieferersysteme. Ein Digital Thread verbindet diese Bereiche, sodass KI aus dem Kontext des gesamten Lebenszyklus lernen kann, anstatt nur auf isolierte Momentaufnahmen zurückzugreifen.
3. Wiederverwendung von Wissen.
Bewährte IP-Blöcke, validierte Designs und charakterisierte Prozesskonfigurationen stehen für jahrelange Arbeit im Bereich des Engineerings. Wenn dieses Wissen katalogisiert und verwaltet wird, kann KI Möglichkeiten zur Wiederverwendung aufzeigen und Teams dabei helfen, nicht bei Null anfangen zu müssen.
Ein praktischer Test für diese Transparenz ist, ob der Produktkontext nach dem Tape-out erhalten bleibt, während die Daten in die Workflows von Foundry, Verpackung, Test und Qualitätssicherung übergehen. Erfahren Sie mehr über die Herausforderung der Koordination nach dem Tape-out.
Was führende Unternehmen der Halbleiterbranche priorisieren sollten
Die Vorbereitung auf KI funktioniert am besten als durchdachte Abfolge von Schritten; führende Unternehmen der Halbleiterbranche sollten sich auf fünf Prioritäten konzentrieren:
- Überprüfen Sie die Datenlandschaft. Ermitteln Sie, wo sich kritische Produktdaten befinden, welche Systeme nicht miteinander verbunden sind und wo Lücken in der Rückverfolgbarkeit operative Risiken verursachen.
- Schaffung einer geregelten Produktdatenbasis. Nutzen Sie PLM als Stammdatenbank für Bauteile, Stücklisten, Konfigurationen, Anforderungen und technische Änderungen, damit die KI auf der Grundlage verlässlicher Daten arbeiten kann.
- Ausweitung der Rückverfolgbarkeit über den gesamten Lebenszyklus. Verknüpfen Sie Daten aus den Bereichen Konstruktion, Fertigung, Test, Qualität und Lieferkette, damit Teams die Auswirkungen von Entscheidungen und KI-generierten Empfehlungen erkennen können.
- Integrieren Sie die Wiederverwendung von Wissen in den Prozess. Erfassen Sie validiertes geistiges Eigentum, bewährte Konstruktionen und historische Entscheidungen in einer durchsuchbaren, geregelten Struktur, damit KI den Teams helfen kann, bereits Bewährtes wiederzuverwenden.
- Führen Sie KI schrittweise ein. Beginnen Sie in wertschöpfungsstarken, datenreichen Bereichen wie Ausbeutevorhersage, Analyse der Auswirkungen von Änderungen, intelligenter Wiederverwendung von Bauteilen oder der Erkennung von Qualitätsabweichungen. Beweisen Sie den Nutzen dort, wo die Datenbasis am stärksten ist, und erweitern und skalieren Sie dann.
Der Weg zur KI beginnt mit vertrauenswürdigen Daten
Die Halbleiterunternehmen, die auf einem KI-getriebenen Markt führend sind, sind möglicherweise nicht diejenigen mit den umfangreichsten KI-Roadmaps. Es werden vielmehr jene sein, die über die saubersten, am besten vernetzten und vertrauenswürdigsten Produktdaten verfügen. Kontinuität in der Engineering-Arbeit bremst die Einführung von KI nicht. Sie macht KI skalierbar, zuverlässig und nützlich.
Sind Sie bereit, das Fundament zu stärken? Beginnen Sie damit, die Stellen zu identifizieren, an denen die Lebenszyklus-Kontinuität derzeit unterbrochen ist. Die offensichtlichsten Lücken treten häufig zwischen Engineering und Fertigung, bei der Übergabe an externe Partner oder in den Arbeitsabläufen rund um Verpackung und Qualifizierung auf.
Als nächstes