Agentische KI in EDA Token werden zum neuen Kostenfaktor im Chipdesign

Die großen Anbieter von EDA-Werkzeugen haben ihren Fokus spürbar auf agentische KI gelegt, um Chipdesign und Verifikation zu beschleunigen. Mit den komplexeren Workflows steigt jedoch der Verbrauch von Tokens und das kostet. EDA-Anbieter berichten, dass Kunden inzwischen konkrete Token- und Dollarbudgets auf Engineering-Ebene festlegen.

Agentische KI soll im Electronic Design Automation (EDA) nicht mehr nur einzelne Fragen beantworten, sondern komplette Workflows über mehrere Werkzeuge hinweg ausführen – die Agenten werden quasi zu Orchestratoren statt zu hintereinandergeschalteten Helfern. Das verspricht auf der einen Seite Produktivitätsgewinne, bringt auf der anderen Seite aber einen neuen Kostenfaktor in die Entwicklungsbudgets. Denn der Verbrauch von Tokens durch die zugrunde liegenden KI-Modelle kostet Geld.

Darüber diskutierten Vertreter von Cadence, Chipagents, Keysight EDA, Siemens EDA und Synopsys bei einer von Semiconductor Engineering veranstalteten und veröffentlichten Gesprächsrunde auf der Design Automation Conference (DAC). Die Diskussion, so die Teilnehmer der Runde, habe sich innerhalb kurzer Zeit deutlich verändert: Statt praktisch unbegrenzter Tokenbudgets fragen Entwicklungsteams inzwischen, wie viele Tokens einzelne Workflows verbrauchen und welchen Return on Investment sie dafür erhalten.

Aus festen EDA-Kosten werden variable Ausgaben

Das verändert auch die Kalkulation von Chipprojekten. EDA-Kosten ließen sich bislang vergleichsweise gut über Lizenzen, Entwickler und Projekte planen. Werden zusätzlich externe oder kommerzielle KI-Modelle intensiv genutzt, kommt ein verbrauchsabhängiger Posten hinzu.

Alexander Petr, Senior Director und Portfolio Manager bei Keysight EDA erwartet deshalb, dass Token-Effizienz stärker in den Mittelpunkt rückt. „Was passiert, ist, dass jeder Finanzvorstand einfach den Geldbeutel zückt, weil er nicht weiß, was er sonst tun soll. Von Kontrolle kann zu diesem Zeitpunkt keine Rede sein. Ich gehe davon aus, dass diese Diskussion im nächsten Jahr ganz anders aussehen wird.“ Als mögliche Gegenmaßnahmen gelten kleinere Sprachmodelle, sogenannte Small Language Models (SLM), Open-Source-Modelle sowie eine gezieltere Auswahl des jeweils benötigten Modells.

Anand Thiruvengadam, Executive Director und Head of AI Product Management bei Synopsys, berichtet laut Semiconductor Engineering bereits von Kunden, die auf Engineering-Ebenen Token- oder Dollarbudgets festlegen. „Das wird bereits Realität. Bei vielen unserer Kunden hat sich der Fokus in den Gesprächen von unbegrenzten Budgets hin zu einer Begrenzung auf technischer Ebene auf eine bestimmte Anzahl von Tokens oder Dollar verlagert.“ Steigende Kosten fördern demnach auch das Interesse an offenen Modellen, wie bei Semi Engineering über die Runde berichtet wird.

Nicht jede Aufgabe braucht das größte KI-Modell

Eine Stellschraube bei den Kosten agentischer EDA-Workflows ist die Wahl des eingesetzten Modells. Nicht jeder Arbeitsschritt erfordert das leistungsfähigste und damit meist aufwendigste KI-Modell. Je nach Aufgabe können kleinere oder offene Modelle ausreichen, während komplexere Schritte leistungsfähigeren Modellen vorbehalten bleiben. „Vor sechs Monaten fuhr noch jeder mit einem Ferrari zum täglichen Einkauf. Das ergibt überhaupt keinen Sinn“, so Sathish Balasubramanian, Head of Product EDA AI bei Siemens EDA, in der Gesprächsrunde von Semiconductor Engineering.

Für EDA-Workflows bedeutet das: Nicht jeder Arbeitsschritt braucht das stärkste verfügbare KI-Modell. Viele Aufgaben lassen sich mit offenen Modellen erledigen; nur besonders komplexe Teile des Designflows erfordern leistungsfähige Frontier-Modelle. Kunden beginnen deshalb, den Modelleinsatz gezielter nach Aufgabe und Kosten zu steuern.

Damit kommt bei der Bewertung agentischer EDA-Systeme neben Geschwindigkeit und Ergebnisqualität ein weiterer Faktor hinzu. Entscheidend wird nicht nur, ob ein KI-Agent einen Designschritt automatisieren kann, sondern wie viel Rechen- und Modellaufwand er dafür benötigt. Gerade bei langen Workflows mit mehreren Agenten und wiederholten Werkzeugaufrufen kann sich ineffiziente Modellnutzung summieren. Für EDA-Anbieter entsteht damit eine neue Optimierungsaufgabe: Agenten müssen nicht nur zuverlässig und fachlich korrekt arbeiten, sondern auch mit einem kalkulierbaren Tokenbudget auskommen.

Doch man muss ebenfalls darauf hinweisen, dass die Tokenkosten nur ein Teil der Rechnung bleiben. Petr verweist darauf, dass eine zusätzliche Designiteration oder ein fehlerhafter Maskensatz ein Vielfaches kosten kann. Entscheidend bleibt deshalb, dass der Einsatz von KI nicht zulasten der technischen Verifikation geht. (sb)

(ID:50953123)