Die globale Halbleiterindustrie wächst rasant. Der Jahresumsatz wird laut Deloitte voraussichtlich im Jahr 2026 975 Milliarden USD und bis 2036 2 Billionen USD erreichen.1
Um dieser Nachfrage gerecht zu werden, werden Unternehmen laut SEMI im Jahr 2027 156 Milliarden US-Dollar für Halbleiterfertigungsanlagen ausgeben, um den Bau von Fertigungsanlagen der nächsten Generation zu beschleunigen.2 Diese Investitionen zielen auf die wichtigsten technologischen Veränderungen von heute ab: KI, Hochleistungscomputer und den Automobilsektor.
Die bestehende Dateninfrastruktur ist jedoch nicht in der Lage, diese Komplexität zu bewältigen. Die Zeit, die für die Ermittlung der Ursachen aufgewendet wird, gefährdet den Ertrag, während die Stunden, die für die Zuordnung von Sensorwerten zu Fehlern benötigt werden, die Kosten in die Höhe treiben.
Laut McKinsey ist die Fertigung der größte Kostentreiber in der Halbleiterindustrie. Anwendungsfälle im Bereich KI und ML machen etwa 40 % dieses Wertes aus.3 Um diesen Mehrwert jedoch zu realisieren, bedarf es mehr als nur Einzellösungen. Organisationen benötigen eine einheitliche Dateninfrastruktur, um Echtzeiterkennung, semantische Suche und autonome KI-Agenten zu ermöglichen.
Die versteckten Kosten fragmentierter Daten
Wenn eine Abweichung auftritt, setzen Entwickler die Informationen aus fünf verschiedenen Systemen zusammen. Am Ende verschwenden sie Stunden damit, Dokumente nach Stichwörtern zu durchsuchen, die nicht mit der Beschreibung übereinstimmen, die eine andere Person vor drei Jahren für denselben Fehler verwendet hat. Letztendlich wird das Problem durch Erfahrung und Intuition gelöst.
Dieser Ansatz hat in kleinerem Maßstab funktioniert. Wenn jedoch ungeplante Ausfallzeiten 1 Million Dollar pro Stunde kosten und ein einzelner hochmoderner Wafer 17.000 Dollar wert ist, kann das Unternehmen nicht darauf warten, dass ein Mensch das Muster erkennt. Bei Hunderten von Anlagen, die rund um die Uhr laufen, Tausenden von Wafern pro Tag und Prozessfenstern, die in Angström gemessen werden, ist eine manuelle Korrelation nicht skalierbar.
Die größte Herausforderung besteht nicht in einem einzelnen System, sondern in der Integration der Systeme untereinander. Jede Abfrage, die über die Systemgrenzen hinausgeht, erhöht die Latenz. Laut IBM geben 82 % der Unternehmen an, dass Datensilos wichtige Arbeitsabläufe stören. Jeder Synchronisierungsvorgang führt zu Abweichungen. Jede neue Datenquelle erfordert monatelange Integrationsarbeit. McKinsey stellte fest, dass bei 80 % der Halbleiterentwicklungsprojekte die ursprünglichen Zeitpläne nicht eingehalten werden können, da die Komplexität unterschätzt wurde.
Wenn Unternehmen einen KI-Agenten einsetzen, um diese Daten auszuwerten, benötigt der Agent gleichzeitig Echtzeitzugriff auf Sensoren, Fehlerbilder, historisches Wissen und den Gesprächsspeicher. Untersuchungen von Gartner zeigen, dass zwar 61 % der Führungskräfte KI-Agenten einsetzen, fragmentierte Datensilos jedoch die Rendite untergraben. Bis 2028 wird eine Automatisierung von 15 % erwartet. Fragmentierte Architekturen können die Anforderungen dieser Agenten nicht erfüllen.
Die agentische Datenschicht: Eine neue Architektur für intelligente Fabriken
Moderne KI-Agenten benötigen mehr als nur eine Datenbank. Agenten benötigen eine konvergierte Datenschicht, die gleichzeitig als Speicher, Suchmaschine und Ereignisauslöser dient.
MongoDB Atlas liefert diese Grundlage. Als Dokumentendatenbank und Vektordatenbank unterstützt Atlas die vielfältigen Datenformate, die Agenten benötigen: strukturierte Telemetrie, unstrukturierte Bilder, semantische Einbettungen und Konversationsstatus. Mit Change Streams für ereignisgesteuerte Architekturen können Agenten Datenänderungen wahrnehmen und handeln, ohne menschliche Aufforderung, wodurch Systeme proaktiv statt reaktiv werden.
Abbildung 1. Die vollständige agentische Architektur.
Was diese Architektur auszeichnet
Die meisten Datenstacks in der Halbleiterfertigung bestehen aus Spezialtools. Jedes dieser Systeme ist für eine bestimmte Aufgabe bestens geeignet, doch in ihrer Gesamtheit sind sie ein Albtraum, was die Integration, die Sicherheit und die Synchronisierung angeht.
Durch die Konsolidierung aller Daten in einer einzigen Plattform können Agenten den vollständigen Kontext in Echtzeit analysieren. Bei diesem Ansatz geht es nicht darum, einzelne Datenbanken zu ersetzen. Es geht darum, die Komplexität der Integration zu beseitigen, die jeden Erkenntnisgewinn verlangsamt.
Im Inneren der Architektur
Verfolgen wir den kompletten Datenfluss von einer Sensoranomalie bis zu einer KI-generierten Ursachenanalyse.
Schicht 1: Echtzeit-Abweichungserkennung
Abbildung 2. Atlas Stream Processing in Aktion.
Die Sensortelemetrie läuft Atlas Stream Processing, den vollständig verwalteten Stream-Processing-Dienst von MongoDB. Kontinuierliche Aggregationspipelines innerhalb der Stream-Prozessoren bewerten eingehende Daten in Echtzeit anhand von Schwellenwerten. Mithilfe von rollierenden Fenstern ermöglicht das System die Erkennung anhaltender Anomalien, wie beispielsweise eine über 30 Sekunden andauernde Temperatur, die über den Grenzwerten liegt, oder Partikelzahlen, die bei mehreren Messungen sprunghaft ansteigen.
Wenn ein Schwellenwert überschritten wird, leitet der Stream-Prozessor die verarbeiteten Daten an MongoDB Atlas als Senke weiter, schreibt Alarmdokumente für die sofortige WebSocket-Übertragung an Dashboards und speichert die verarbeiteten Telemetriedaten in einer Time Series Collection zur historischen Analyse. Time Series Collections bieten automatische Komprimierung und effiziente Abfragen über Zeitbereiche, wodurch Daten für Trendanalysen und Agentenuntersuchungen erhalten bleiben, ohne die Erkennungslatenz zu beeinträchtigen.
Branchenstudien zeigen, dass Fertigungsanlagen, die KI-Rückkopplung im geschlossenen Regelkreis einsetzen, stabilere Produktionsergebnisse erzielen, wobei die Fehlerdichte trotz Schwankungen in den vorgelagerten Prozessen innerhalb enger Kontrollgrenzen bleibt. Führende Hersteller haben durch KI-gestützte Prozesssteuerung in Echtzeit eine signifikante Reduzierung der Prozessvariabilität nachgewiesen. Die Echtzeiterkennung bildet die Grundlage für diese Verbesserungen.
Schicht 2: Multimodale Ähnlichkeitssuche
Abbildung 3. Multimodale Embedding-Generierung mit Voyage-AI.
Die herkömmliche Stichwortsuche versagt, wenn das Signal ein Muster auf einer Waferkarte ist, das von Team zu Team und im Laufe der Zeit uneinheitlich beschrieben wird. So kann es beispielsweise vorkommen, dass Teams dasselbe Ereignis mal als Randausfälle und mal als periphere Chipausfälle bezeichnen oder eine Kühlaggregat-Störung als Kühlungsproblem.
Dies wird durch multimodale Einbettungen gelöst. Mit dem voyage-multimodal-3-Modell von Voyage AI kodiert das System Wafer-Bilder und deren textuellen Kontext zu einem einzigen dichten Vektor. Das Modell verbindet „wie dieser Fehler aussieht“ mit „was geschah, als er auftrat“.
Aktuelle Forschungsergebnisse bestätigen diesen Ansatz. FabGPT, ein großes multimodales Modell für die Halbleiterfertigung, zeigte, dass die Kombination von Rasterelektronenmikroskop-Bildern (SEM) mit dem Textkontext sowohl die Fehlererkennung als auch die Ursachenanalyse in einem einzigen Framework ermöglicht. In ähnlicher Weise wendet SEM-CLIP kontrastives Lernen an, um Halbleiterdefektbilder und Beschreibungen natürlicher Sprache in einen gemeinsam genutzten Einbettungsraum zu projizieren.
Die größte Herausforderung besteht darin, dass die Fehlermuster team- und zeitübergreifend uneinheitlich beschrieben werden. Zum Beispiel stellen Randausfälle, im Vergleich zu peripheren Chipausfällen, oft das gleiche zugrunde liegende Problem dar. Die herkömmliche Stichwortsuche versagt in diesen Szenarien. MongoDB Atlas nutzt Vektoreinbettungen, um semantische Bedeutung zu erfassen. Dieser Ansatz ermöglicht eine Ähnlichkeitssuche über Wafer-Karten, um echte Doppelgänger zu identifizieren, unabhängig davon, wie Entwickler den Defekt ursprünglich beschrieben haben.
Forschungsergebnisse zur inhaltsbasierten Bildsuche (Content-based Image Retrieval, CBIR) zzeigen, dass die Kombination von visuellen Merkmalen, die durch konvolutionelle neuronale Netze (CNN) extrahiert wurden, mit der semantischen Suche die Klassifizierung von Fehlermustern deutlich verbessert. Dies ist entscheidend, wenn Trainingsdaten begrenzt sind – eine häufige Einschränkung in der Halbleiterherstellung, bei der kontinuierlich neue Fehlerarten auftreten.
Die integrierte Architektur ermöglicht es Entwicklern, schnell von der Identifizierung einer Anomalie, die beispielsweise falsch aussieht, zur Suche nach den fünf ähnlichsten historischen Fehlern überzugehen.
Schicht 3: Die agentische Ursachenanalyse
Diese Architektur zeichnet sich durch die Bereitstellung eines LangGraph ReAct-Agenten aus. Dieser KI-Agent ermöglicht logische Schlussfolgerungen, eine mehrstufige Untersuchungsplanung und autonomes Handeln.
Abbildung 4. Ursachenanalyse-Agent mit mehreren Tools.
Der Agent verfügt über vier MongoDB-basierte Tools:
Das ReAct-Muster
„Reason, then Act“ erlaubt dem Agenten, seine eigene Untersuchung zu planen:
Das Gesprächsgedächtnis des Agenten bleibt in MongoDB bestehen. Mit LangGraphs MongoDB-Checkpointing wird jeder Untersuchungsthread mit vollem Kontext gespeichert.
Die Entwickler können die Untersuchungen wieder aufnehmen. Die Prüfer können nachvollziehen, wie die Schlussfolgerungen zustande gekommen sind. Folgefragen werden sofort beantwortet, ohne erneute Abfrage.
Was sich für Teams ändert
Der Übergang wirkt sich auf die gesamte Organisation aus.
Die operativen Teams verlagern ihren Fokus von der Auswertung von Dashboards und der Reaktion auf Schichtabschlussberichte hin zur Reaktion auf Ereignisse in Echtzeit. Ausnahmen werden in dem Moment, in dem sie auftreten, umsetzbar.
Prozessentwickler müssen nicht länger in fünf verschiedenen Systemen nach Schlüsselwörtern suchen, die möglicherweise nicht übereinstimmen. Sie suchen nur einmal und verwenden zwei Methoden: exakte Übereinstimmung für bekannte IDs und semantische Suche für alles andere.
RCA-Teams ersetzen stundenlange manuelle Korrelationen und auf Erfahrungswissen basierende Erkenntnisse durch agentengesteuerte, faktenbasierte Untersuchungen, die innerhalb von Sekunden abgeschlossen sind und einen lückenlosen Prüfpfad liefern.
Datenteams wechseln von Migrationen, die sich über mehrere Quartale erstrecken, zur Einbindung neuer Datenquellen hin zu Integrationen, die noch am selben Tag erfolgen und sofort abgefragt werden können.
Wie geht es weiter?
Sehen Sie sich die Anleitung zur Implementierung dieser Lösung an. Um mehr über die Rolle von MongoDB in der Fertigungsindustrie zu erfahren, besuchen Sie die MongoDB-Webseite für die Fertigungs- und Automobilindustrie.
1 Quelle: Deloitte (Februar 2026)
2 Quelle: SEMI (Dezember 2025)
3 Quelle: McKinsey (April 2021)