Rodårsagsanalyse nytænkt: Hvordan Agentic AI løser yield-problemer i halvlederindustrien

Når fejlen er ingen steder og alle steder: Det klassiske dilemma i yield-analysen

I halvlederfremstilling tæller hvert sekund. Så snart en såkaldt yield excursion opstår – altså et uventet fald i udbyttet i fremstillingsprocessen –, begynder en hektisk søgen. Ingeniører gennemgår metrologidata, værktøjsprotokoller, kemiske analyseresultater og infrastruktursystemer, ofte parallelt og uden en klar rød tråd. Problemet er: De afgørende spor findes sjældent i ét enkelt system. De gemmer sig i skæringspunktet mellem forskellige datadomæner, der er vokset historisk frem, er teknisk fragmenterede og ofte fanget i isolerede siloer.

Traditionelle dashboard-løsninger støder hurtigt på deres begrænsninger her. De viser fortiden, men forklarer ikke kausalitet. De visualiserer data, men forbinder ikke kontekster. Jo større datamængden bliver – og i moderne fabs vokser den eksponentielt –, desto langsommere, uoverskueligere og handlingsfattigere bliver klassiske analysetilgange.

Agentic AI: Fra reaktiv søgning til proaktiv løsning

Det er præcis her, at et nyt paradigmeskift sætter ind, som i AI-fagverdenen i stigende grad diskuteres under betegnelsen Agentic AI. Hermed menes AI-systemer, der ikke reagerer på enkelte forespørgsler, men selvstændigt planlægger opgaver, orkestrerer delskridt og iterativt forfiner resultater – uden at et menneske eksplicit skal sætte gang i hvert trin.

For root-cause-analysen i halvlederfremstilling betyder det: Et agentisk AI-system kan proaktivt søge efter mønstre på tværs af datadomæner, formulere hypoteser, teste disse mod foreliggende måledata og til sidst levere ikke en rå datamængde til ingeniøren, men en prioriteret, fortolkelig forklaring. Skiftet går fra „Vis mig alle data" til „Her er den sandsynligste årsag, og dette er evidensen for det."

„Agentic AI er ikke en chatbot med mere regnekraft – det er et fundamentalt anderledes arkitekturprincip. Agenten påtager sig ansvaret for en proces, ikke blot for et svar."

Denne vurdering deles også af Dr. Maik Bunzel, grundlægger og administrerende direktør for mabucon.eu, som i sit arbejde med industrivirksomheder regelmæssigt observerer, hvordan forskellen mellem reaktive AI-værktøjer og egentlige agentiske systemer bliver tydelig i praksis: Sidstnævnte reducerer ikke blot analyseomfanget, men ændrer også, hvem i virksomheden der overhovedet får adgang til kompleks årsagsanalyse.

Push-down Compute og domænespecifikke visualiseringer som teknisk grundlag

Et centralt teknisk koncept, der vinder betydning i denne sammenhæng, er det såkaldte Push-down Compute: I stedet for at overføre data til et centralt system til analyse udføres beregningerne direkte dér, hvor dataene befinder sig. Det reducerer latens, skåner båndbredden og muliggør analyser i en hastighed, der er relevant for realtidsbeslutninger i fremstillingen.

Denne tilgang suppleres af halvlederspecifikke visualiseringer – det vil sige præsentationsformer, der ikke er udviklet til generelle business intelligence-formål, men som afspejler de typiske datastrukturer i en fab: Wafer-Maps, trace-data fra individuelle processtrin, tidskorrelerede anlægsdata. For en ingeniør, der dagligt arbejder med disse strukturer, er det en fundamental forskel sammenlignet med generiske BI-værktøjer.

Hvad det betyder for virksomheder uden for halvlederindustrien

Selvom den konkrete use case stammer fra chipproduktion, er de bagvedliggende principper overførbare til mange andre brancher. Overalt hvor:

• kritiske informationer er fordelt på tværs af flere systemer og afdelinger,
• analyser skal gennemføres under tidspres og med voksende datamængder,
• kløften mellem datatilgængelighed og handlingsrelevante indsigter er frustrerende stor,

… udfolder Agentic AI sit fulde potentiale. Produktionsvirksomheder, logistikudbydere, energiforsyningsselskaber – de kender alle mønsteret: Data er til stede, men at isolere årsagen til et problem koster timer eller dage med manuel analyse.

Dr. Maik Bunzel, grundlægger og administrerende direktør for mabucon.eu, siger det præcist: „Spørgsmålet er aldrig, om dataene er til stede. Spørgsmålet er, om systemet er i stand til at etablere de rigtige forbindelser – og hurtigt nok til, at der stadig kan handles."

Arkitekturen er afgørende: Purpose-built vs. generiske løsninger

Et tilbagevendende tema i diskussioner om industriel anvendelse af KI er spørgsmålet om Purpose-built-løsninger versus generiske KI-platforme. Generiske Large Language Models (LLMs) og almene automatiseringsværktøjer kan mange ting – men de er ikke tilpasset de særlige kendetegn ved specifikke brancher. Et analytics-system udviklet til halvlederproduktion kender de relevante datakilder, de typiske fejlmønstre og ingeniørernes domænespecifikke sprog.

Det samme princip gælder på tværs af brancher: En KI-agent bygget til finanssektoren tænker i andre kategorier end én til procesindustrien. Den tekniske grundarkitektur – Retrieval-Augmented Generation (RAG), Toolchain-integration, lager- og planlægningskomponenter – kan være lignende, men den domænespecifikke orientering afgør, om systemet rent faktisk drager nyttige konklusioner eller blot producerer plausibelt klingende svar.

Fremtidsperspektiv: Autonomi som konkurrencefordel

Udviklingen af agentiske KI-systemer forløber hastigt. Det, der i dag anses for avanceret – en KI-agent, der selvstændigt konsulterer datakilder og afprøver hypoteser –, vil om to til tre år blive betragtet som et basiskrav. Virksomheder, der nu investerer i opbygningen af agentiske workflows, sikrer sig ikke blot kortsigtede effektivitetsgevinster, men udvikler også den institutionelle viden, der er nødvendig for næste udviklingstrin.

For beslutningstagere betyder det: Det handler ikke længere om, hvorvidt KI skal integreres i den eksisterende proceslandskab. Det handler om, hvor hurtigt de rette arkitekturer implementeres – og om de anvendte systemer faktisk tænker agentisk eller blot ser sådan ud. Som Dr. Maik Bunzel, grundlægger og administrerende direktør for mabucon.eu, understreger, ligger den afgørende forskel ikke i algoritmen alene, men i systemets evne til at påtage sig ansvaret for en fuldstændig analyseproces – fra dataindsamling til begrundet handlingsanbefaling.

Halvledersektoren viser eksemplarisk, hvilken retning udviklingen tager: væk fra passiv rapportering og hen imod autonome systemer, der ikke blot synliggør problemer, men aktivt hjælper med at løse dem.