Wie häufig nutzen Sie KI? Ein Drittel der Deutschen tut es laut einer aktuellen Bitkom-Studie mindestens einmal pro Woche — von der Küche bis zum Code. Bundesdigitalminister Karsten Wildberger, auf der Pressekonferenz zur Übernahme von Aleph Alpha durch Cohere nach seiner letzten KI-Nutzung gefragt, antwortete kurz: „Heute morgen. Claude.“ Und Singapurs Außenminister Vivian Balakrishnan hat seinen persönlichen KI-Assistenten auf GitHub veröffentlicht. Er läuft auf einem Raspberry Pi, basiert auf Claude, nutzt NanoClaw, und baut sich selbstständig ein strukturiertes Gedächtnis aus Reden, Artikeln und Gesprächsnotizen auf. „Invaluable“, schreibt er. „I don’t dare switch it off.“

KI ist also angekommen: Im Alltag, in der Politik, auf dem Schreibtisch. Aber wie sieht es in der Produktion aus? Laut einer Cisco-Studie vom April 2026 setzen knapp zwei Drittel der deutschen Unternehmen KI in laufenden Industrieprozessen ein, 20 Prozent davon berichten von breitem, ausgereiftem Einsatz. Das klingt nach viel. Wer aber genauer hinschaut, merkt: die Art, wie KI in eine Chipfabrik einzieht, unterscheidet sich grundlegend von der Art, wie ein Minister morgens seine Sprechzettel zusammenstellt.

Diese Woche kamen in Catania, Sizilien, mehr als 200 Personen aus der Halbleiterindustrie zusammen: Chiphersteller, Ausrüster und auch aus der Forschung. Der Anlass: die apc|m Europe, die europäische Konferenz für Advanced Process Control and Manufacturing, seit Jahren von Silicon Saxony veranstaltet. APC — Advanced Process Control — bezeichnet die automatische Regelung von Fertigungsprozessen auf Basis von Messdaten: Messwerte aus einem Prozessschritt fließen als Korrekturwerte in den nächsten ein, die Anlage justiert sich selbst, der Prozess bleibt stabil. In einer Industrie, in der ein einzelner Prozessschritt auf einem Wafer Hunderte von Chips betreffen kann, ist das keine Randnotiz, sondern der Kern dessen, was Qualität und Ausbeute bestimmt. Diese Community diskutierte datengetriebene Fertigung bereits bevor „AI“ zum Schlagwort wurde — und stellt die Frage, was dahintersteckt, deshalb ernsthafter als so manche Technologiemesse.

Ein Unterschied, der dabei eine größere Rolle spielt als er auf den ersten Blick scheint: der zwischen deterministischen und probabilistischen Systemen. Ein klassisches APC-Regelwerk ist deterministisch — gleiche Eingabe, gleiche Ausgabe, immer. Diese Berechenbarkeit ist kein technisches Detail, sondern die Grundlage für Zertifizierung, Qualitätssicherung und Verantwortlichkeit in der Hochvolumenfertigung. ML-Modelle hingegen sind probabilistisch: Sie liefern Vorhersagen mit Wahrscheinlichkeiten und Unsicherheitsbereichen. Ein Modell, das sagt „dieser Prozessschritt weist mit 94 Prozent Wahrscheinlichkeit ein Driftproblem auf“, ist nützlich — aber wie qualifiziert man es? Nach welchem Standard? Wer entscheidet, was mit dem sechsprozentigen Restrisiko passiert? Genau diese Fragen erklären, warum die Einführung von ML in der Fertigung langsamer verläuft als in anderen Bereichen — nicht wegen fehlenden Willens, sondern wegen berechtigter Anforderungen an Nachvollziehbarkeit und Kontrolle.

Denn auf fast allem steht mittlerweile AI drauf. Das ist zum Teil gerechtfertigt — zum Teil aber auch vor allem eines: Marketing. Und Marketing ist eben manchmal größer als die Wirklichkeit. Künstliche Intelligenz (KI) ist der Oberbegriff für alles, was Maschinen befähigt, kognitive Aufgaben zu übernehmen. Das schließt jenes klassische APC-Regelwerk genauso ein wie moderne Sprachmodelle. Machine Learning (ML) bezeichnet die Teilmenge, bei der das System Muster aus Daten lernt, statt explizit programmiert zu werden: Fehlererkennung an Prozessanlagen, vorausschauende Wartung, virtuelle Messtechnik ohne physischen Sensor. Deep Learning, die Weiterentwicklung mit mehrschichtigen neuronalen Netzen, eignet sich besonders für Bildanalyse — etwa die automatische Erkennung von Defekten auf Wafern. Und dann ist da noch die jüngste Welle: generative KI und Sprachmodelle, die weniger die Fertigung selbst verändern als die Arbeit der Ingenieure davor und dahinter. In APC-Kreisen gibt es auch die Auffassung, dass für viele Probleme in der Fab die einfachere Methode mit tiefem Domänenwissen besser funktioniert als aufwändige neuronale Netze — weil die verfügbaren Daten pro Anlage und Rezept schlicht zu knapp sind.

Catania als Konferenzort ist dabei kein Zufall. Dort entsteht gerade eines der ambitioniertesten Halbleiterprojekte Europas: STMicroelectronics baut für rund fünf Milliarden Euro einen weltweit einzigartigen SiC-Campus, die erste vollständig integrierte Fertigungsanlage für Siliziumkarbid auf einem Standort, gefördert mit rund zwei Milliarden Euro im Rahmen des EU Chips Act. Der Chips Act 2.0 ist währenddessen in der Pipeline, und SEMI Europe hat dazu gerade ein Positionspapier vorgelegt, das eine stärkere Einbindung der Industrie und gezielte Unterstützung kleinerer Akteure entlang der Wertschöpfungskette fordert.

Doch zurück zu KI in der Produktion:

Auf der Hannover Messe eine Woche zuvor (20.–24. April) dominierten dazu die Plattformversprechen — digitale Zwillinge, autonome Produktionsabläufe. Das Forschungsprojekt Semiconductor-X zeigte auf: Bevor Algorithmen in der Fab greifen können, braucht es belastbare Datenpipelines — eine oft unterschätzte Voraussetzung.

Was sich konkret beobachten lässt: Es gibt Fortschritte, und manche sind messbar. Infineon wurde mit dem AI Impact Award 2026 ausgezeichnet, für ein Projekt, das Sprachmodelle einsetzt, um Testcode automatisch zu generieren — 50 Prozent weniger Aufwand kurzfristig, bis zu 80 Prozent langfristig. INFICON erkennt mit ML-gestützter Anomalieerkennung Abweichungen an Prozessanlagen, die klassischen Systemen verborgen bleiben. Applied Materials kombiniert Messtechnik und KI-gestützte Bildanalyse für Defekterkennung und Prozessoptimierung. Das Dresdner Unternehmen Connected Worker Intelligence, das sich gerade als eigenständiges Unternehmen ausgegründet hat, bringt KI an den „letzten Meter“ der Wertschöpfung — an den Werker an der Maschine, in Echtzeit. Das verweist auf etwas Grundsätzliches: Hardware und Software sind in der modernen Halbleiterfertigung keine Gegensätze, sondern zwei Seiten desselben Chips.

Was dabei noch aussteht, ist weniger die einzelne Lösung als ihre lückenlose Verbindung: Digitale Zwillinge, datenbasierte Prozesssteuerung, KI-gestützte Inspektion — vieles davon existiert bereits. Was in den meisten Fabs noch fehlt, ist der vollständig durchgängige KI-Einsatz über die gesamte Prozesskette: ein fabweiter Datenfluss, der Erkenntnisse aus einem Schritt automatisch in den nächsten trägt, Systeme verschiedener Hersteller integriert und dabei Verantwortlichkeiten klar regelt. Das muss kein Versagen sein; es dürfte der Weg sein, auf dem Hochvolumenfertigungen KI sinnvoll integrieren — vorsichtig, validiert, Schritt für Schritt. Die Fragen dahinter sind weniger technischer als organisatorischer Natur: Wer hat Zugriff auf welche Daten? Wer prüft das Modell, bevor es in die Linie geht? Wer trägt Verantwortung, wenn eine probabilistische Empfehlung zu einem Produktionsausfall führt?

Eines lässt sich nach dieser Woche in Catania, nach der Hannover Messe und mit Blick auf die Zahlen festhalten: KI in der Halbleiterfertigung ist weit mehr als ein Hype-Thema — auch wenn die flächendeckende, durchgängig integrierte Nutzung noch etwas auf sich warten lässt. Der Austausch darüber wird wichtig bleiben. Die apc|m Europe trifft sich im nächsten Jahr in Dublin. Die Arbeitskreise des Silicon Saxony bieten das ganze Jahr über Gelegenheit, das Thema tiefer zu diskutieren. Und die Silicon Saxony Days im Juni in Dresden bringen die Community wieder zusammen — auch mit diesem Thema auf der Agenda.

Nutzen Sie KI — privat, beruflich, experimentell? Und wenn ja: Was hat sich für Sie verändert? Wir freuen uns über Ihre Einschätzungen und Erfahrungen und natürlich prinzipiell über Ihr Feedback, zum Beispiel per E-Mail an redaktion@silicon-saxony.de.

Text: Frank Bösenberg

– – – – –

Weiterführende Links

👉 apc|m Europe
👉 Silicon Saxony Days

Foto: STMicroelectronics