Wie Synopsys, Cadence und Siemens EDA den nächsten Wettbewerb in der Chipentwicklung austragen

Die Design Automation Conference (DAC) 2026 hat agentische KI zum neuen Plattformwettbewerb in der Electronic Design Automation (EDA) gemacht. Synopsys, Cadence und Siemens EDA präsentierten KI nicht mehr nur als Gesprächspartner zum Schreiben von RTL-Code oder Durchsuchen von Dokumentationen. Ihre Systeme sollen technische Ziele in Teilaufgaben zerlegen, etablierte EDA-Werkzeuge aufrufen, Messwerte und Verifikationsergebnisse interpretieren und den Prozess so lange wiederholen, bis ein Ziel erreicht ist. 217

Damit verschiebt sich die entscheidende Frage: Gewinnt nicht unbedingt der Anbieter mit dem leistungsfähigsten allgemeinen Sprachmodell, sondern derjenige, dessen Agenten zuverlässig mit Designdaten, deterministischen Lösern, Verifikationsnachweisen, Sicherheitsmechanismen und produktionsreifen Sign-off-Prozessen arbeiten.

Was sich bei DAC 2026 verändert hat

Klassische EDA-Werkzeuge führen klar definierte Aufgaben aus: Synthese, Simulation, formale Verifikation, Place-and-Route, Timing-Analyse oder physikalisches Sign-off. Ein agentisches EDA-System setzt darüber eine Planungs- und Koordinierungsschicht.

Ein typischer Ablauf sieht so aus:

1. Der Agent interpretiert ein Designziel oder einen Fehler.
2. Er wählt die passenden Werkzeuge und Teilaufgaben aus.
3. Er erzeugt oder verändert RTL-Code, Constraints, Tests oder Konfigurationen.
4. Er startet deterministische Simulationen, formale Prüfungen oder physikalische Analysen.
5. Er wertet Kennzahlen, Protokolle, Wellenformen oder Gegenbeispiele aus.
6. Er schlägt eine weitere Änderung vor und wiederholt den Ablauf.

Forschungen zu agentischem Physical Design beschreiben ein ähnliches Muster: natürliche Sprachziele interpretieren, EDA-Werkzeuge aufrufen, deren Ausgaben analysieren, Konfigurationen oder Quellcode verändern und anhand gemessener Qualitätswerte iterieren. 1

Der Unterschied zu einem Copiloten ist entscheidend. Ein Copilot schlägt typischerweise den nächsten Schritt vor. Ein agentischer Workflow kann dagegen eine längere Kette von Aktionen selbstständig ausführen – allerdings innerhalb technischer Werkzeuge und von Menschen gesetzter Ziele.

Synopsys: eine Autonomieleiter mit AgentEngineer

Synopsys ordnet seine Strategie entlang einer Autonomieleiter von L1 bis L5. Sie soll den Weg von Assistenz und geführter Automatisierung hin zu zunehmend eigenständigen Workflows abbilden, die letztlich mehrere Designbereiche umfassen. Die genaue Abgrenzung dieser Stufen ist eine Roadmap von Synopsys und kein branchenweit gültiger Zertifizierungsstandard.

Im Mittelpunkt steht AgentEngineer. Synopsys beschrieb bei der DAC einen Orchestrator, der ein Verifikationsziel in kleinere Aufgaben zerlegt, spezialisierte Agenten koordiniert, EDA-Werkzeuge aufruft, Ergebnisse prüft und in einer geschlossenen Schleife weiterarbeitet. Gemeinsam mit NVIDIA stellte das Unternehmen diese Abläufe als vollständig autonome, lang laufende Workflows für Chip- und Elektroniksystemdesign dar. 314

Synopsys hob autonome Verifikation, Ursachenanalyse und den Abschluss von Debugging-Zyklen hervor. Nach Unternehmensangaben erreichten Demonstrationen eine bis zu 50-mal kürzere Zeit bis zu validiertem RTL sowie eine Verbesserung der Coverage um 20 Prozent. Diese Werte sind Herstellerangaben und keine unabhängig bestätigten Benchmark-Ergebnisse. 19

Ein separater, gemeinsam mit Microsoft Discovery entwickelter Synopsys-Workflow meldete vorläufige Verkürzungen der Debugging-Zyklen um 25 bis 40 Prozent. Auch dieses Ergebnis sollte als frühe Evaluierung und nicht als allgemeiner Produktionsbenchmark verstanden werden. 17

Von RTL bis zur Thermalsimulation

Synopsys überträgt das agentische Prinzip über digitale Logik hinaus auf physikintensive elektronische Systemsimulationen. Dazu gehört die Thermalsimulation: Ein Agent kann die Simulation vorbereiten, ausführen, die Ergebnisse bewerten und den Ablauf anschließend verfeinern. Zusammen mit dem Ansys-Portfolio reicht die Positionierung „vom Silizium bis zum System“ damit über einen reinen RTL-to-GDS-Flow hinaus. 1417

Der strategische Vorteil liegt in der Breite. Wenn dieselbe Orchestrierungsschicht sowohl Verifikation als auch physikalische Simulationen steuern kann, lässt sich agentische EDA als durchgängige Engineering-Umgebung positionieren – und nicht nur als Sammlung einzelner Assistenten.

Cadence: spezialisierte Agenten und ein dauerhaftes Designverständnis

Cadence verfolgt einen anderen Ansatz. Im Mittelpunkt steht eine Hierarchie spezialisierter Agenten, die von einem übergeordneten KI-Superagenten koordiniert werden. In der Berichterstattung tauchen dafür die Bezeichnungen AgentStack beziehungsweise ChipStack AI Super Agent auf. Da die Produktnamen in den verfügbaren Materialien nicht durchgängig übereinstimmen, sind diese beiden Bezeichnungen die vorsichtigere Referenz. 218

Das markanteste Konzept von Cadence ist das Mental Model. Der Agent soll nicht nur den jeweils letzten Prompt berücksichtigen, sondern einen strukturierten, projektspezifischen Kontext bewahren: Constraints, Historie, Designabsicht und bereits getroffene Entscheidungen.

Das ist bei der Chipentwicklung besonders wichtig. Eine lokal sinnvolle Änderung kann ein Timing-Budget, eine Packaging-Vorgabe, ein Leistungsziel oder eine frühere Architekturentscheidung verletzen. Ein dauerhaftes Designmodell soll solche Zusammenhänge im Workflow sichtbar halten.

Cadence setzt außerdem auf die Beschleunigung multiphysikalischer Analysen. Agenten sollen elektrische, thermische, mechanische und fluidische Effekte gemeinsam berücksichtigen können, damit Designentscheidungen nicht nur anhand digitaler Kennzahlen, sondern auch anhand ihrer Konsequenzen auf Systemebene bewertet werden. 1718

Strategisch konkurriert Cadence damit vor allem über architektonische Vollständigkeit und Kontext. Der Agent soll nicht bloß eine einzelne Designstufe automatisieren, sondern das Projekt als dauerhaftes System miteinander verbundener Randbedingungen verstehen.

Siemens: Vertrauen durch Selbstverifikation

Siemens EDA profiliert seinen Fuse EDA AI Agent über Vertrauen. Der zentrale Gedanke ist eine Selbstverifikationsschleife: Jeder Vorschlag des Agenten wird zunächst von deterministischen, physikbasierten Siemens-Engines geprüft, bevor der Workflow fortgesetzt wird. 2

Fuse basiert auf einer skalierbaren Architektur mit dem Model Context Protocol (MCP). MCP bietet eine standardisierte Möglichkeit, eine Orchestrierungsschicht mit Werkzeugen und technischen Informationen aus Bereichen wie RTL, Verifikation, Analog- und Custom-Design, Place-and-Route sowie physikalischem Sign-off zu verbinden. 2

Damit adressiert Siemens eines der größten Risiken autonomer Engineering-Systeme: Ein Sprachmodell kann einen plausiblen, aber physikalisch falschen Plan erzeugen. In einem selbstverifizierenden Ablauf kommt die maßgebliche Prüfung vom Domänenwerkzeug. Wenn Timing, Geometrie, Physik oder eine formale Constraint den Vorschlag zurückweisen, kann der Agent diese Evidenz nutzen, um seinen Plan anzupassen.

Siemens denkt zudem über einen breiteren digitalen Faden nach. Die agentische Vision soll Designentscheidungen mit Fertigungsplanung und Lieferkettensteuerung verbinden. Der Unterschied liegt damit nicht nur in der Autonomie, sondern in einer Autonomie, die durch industrielle Nachweise und nachgelagerte Ausführung begrenzt wird.

NVIDIA liefert die gemeinsame Infrastruktur

NVIDIA ersetzt die etablierten EDA-Anbieter nicht als klassischer EDA-Konzern. Stattdessen liefert das Unternehmen mehrere Schichten für den neuen agentischen Stack – und schafft dadurch zugleich einen möglichen Abhängigkeitspunkt auf Plattformebene.

NVIDIA investierte im Rahmen einer erweiterten mehrjährigen Partnerschaft 2 Milliarden US-Dollar in Synopsys. Ziel ist die gemeinsame Entwicklung KI-gestützter Engineering- und beschleunigter EDA-Workloads. 13

Die Infrastruktur umfasst mehrere Bereiche:

• Beschleunigtes Rechnen: Grace Blackwell wird für Simulation und KI-Inferenz eingesetzt. Synopsys berichtete, dass NVIDIA-NIM-Inferenz-Microservices bei seinem generativen KI-Copiloten eine doppelt so schnelle Informationsbereitstellung ermöglichten. Für einen Fluent-Anwendungsfall zur aerodynamischen Simulation meldete NVIDIA eine 34-fache Beschleunigung gegenüber CPUs. Das sind Ergebnisse einzelner Anwendungsfälle und keine universellen EDA-Benchmarks. 1516
• Modelle und Orchestrierung: Der auf der DAC gezeigte Synopsys-Workflow nutzte NVIDIA Nemotron, das NVIDIA Agent Toolkit und die OpenShell-Laufzeitumgebung für Agentenausführung und Governance. 314
• Physikbeschleunigung: Die Bibliotheken CUDA-X und PhysicsNeMo sollen simulationsintensive Engineering-Workflows unterstützen. 2
• CPU-Leistung: Die Vera-CPU zielt auf rechenintensive und sequenzielle Aufgaben, die auch in klassischer EDA wichtig bleiben. NVIDIA arbeitet nach eigenen Angaben mit Cadence und Synopsys an der Optimierung ihrer Anwendungen. Gemeldete Tests zeigten Leistungssteigerungen von etwa dem Faktor 1,5 bei Cadence Jasper und Synopsys VCS; auch diese Werte stammen vom Anbieter. 45

Es entsteht damit ein Wettbewerb auf mehreren Ebenen: Die EDA-Unternehmen kontrollieren Designdatenbanken, Domänenwerkzeuge und Sign-off-Flows; NVIDIA liefert Rechenleistung, Modelle, Orchestrierungskomponenten und Laufzeitinfrastruktur. Kunden könnten von schnelleren Abläufen profitieren. Gleichzeitig stellt sich die Frage, wie stark der künftige Engineering-Stack von einer gemeinsamen Hardware- und Softwareplattform abhängen wird.

Was das Kimi-K3-Experiment zeigt – und was nicht

Das Kimi-K3-Experiment ist ein aufschlussreicher Gegenpunkt zu den Ankündigungen der etablierten Anbieter. Nach den technischen Angaben lief Kimi K3 48 Stunden autonom und entwarf, optimierte und verifizierte mit Open-Source-EDA-Werkzeugen sowie der Nangate-45-nm-Bibliothek einen Chip für ein Nano-Modell. Das Design soll rund 4 mm² groß sein und in der Simulation das Timing bei 100 MHz geschlossen haben. 17

Das ist ein relevantes Signal: Ein LLM-basierter Agent kann eine eingeschränkte End-to-End-Designschleife koordinieren. Architektur, RTL-Erzeugung, Optimierung, Verifikation und Timing-Analyse lassen sich unter günstigen Bedingungen in einem autonomen Ablauf verbinden.

Das Experiment beweist jedoch nicht, dass kommerzielle EDA-Werkzeuge oder erfahrene Chipdesign-Teams überflüssig sind. Zum Einsatz kam ein ausgereifter 45-nm-Referenzprozess – also eine Technologie, die ungefähr zwei Jahrzehnte hinter den modernsten Fertigungsknoten liegt. Die Demonstration sagt nichts Belastbares über moderne Process Design Kits, anspruchsvolle Timing- und Power-Closure, Analogdesign, Design-for-Test, IP-Integration, Zuverlässigkeitsanalysen, Fertigungsrestriktionen oder produktives Sign-off aus.

Auch die Beweislage ist begrenzt. Das Ergebnis stammt aus den eigenen technischen Materialien des Projekts und wurde nicht unabhängig als Produktionsbenchmark reproduziert. Behauptungen, das Design liege bei der Leistung 20- bis 30-mal hinter zeitgemäßen Chips, sollten deshalb ohne belastbarere Vergleichsdaten nicht als kontrolliertes Benchmark-Ergebnis behandelt werden.

Die vorsichtige Schlussfolgerung lautet: Open-Source-Werkzeuge können eine beeindruckende Demonstration auf einem ausgereiften Prozess ermöglichen. Wettbewerbsfähige und produzierbare Designs für moderne Spitzenknoten hängen dagegen weiterhin stark von Foundry-Unterlagen, Prozessbibliotheken, ausgereiften Sign-off-Flows und spezialisiertem Engineering-Wissen ab.

Warum sich dadurch ein Fenster für chinesische EDA-Anbieter öffnet

Agentische KI bietet chinesischen EDA-Unternehmen die Möglichkeit, auf Workflow-Ebene zu konkurrieren, statt jeden etablierten Einzelbaustein vollständig nachzubauen. Besonders attraktiv sind Verifikation, Debugging, lokale Bereitstellung, Advanced Packaging und LLM-native Benutzeroberflächen. Berichte von der DAC beschreiben agentische KI entlang des Flows – von RTL-Erzeugung und Testbench-Aufbau bis zu Simulation, formaler Verifikation und Debugging. 17

Zu den in den zugrunde liegenden Recherchen genannten Beispielen gehören:

• Xpeedic: Die Kompetenzen bei Signal- und Power-Integrity könnten mit agentischer Analyse von Systemen, Packages und Advanced Packaging verbunden werden.
• XEPIC: Das Unternehmen kündigte die Plattform XEPIC Intelligent System an, einschließlich intelligenter Verifikations- und Designsysteme sowie einer beschleunigten Simulationslösung. 17
• UniVista: Das Unternehmen beschreibt eine agentische Designplattform, die RTL-Design, Verifikation, Korrektur und Optimierung auf einer selbst entwickelten EDA-Architektur koordinieren kann. 17
• Chips Z, Banxin und Zhiwei Chuangxin: Diese Beispiele stehen für den breiteren Vorstoß zu stärker kontrollierten, heimischen Toolchains, spezialisierten Design- und Verifikationsagenten sowie LLM-nativen Engineering-Schnittstellen.

Das belastbarste Produktmuster ist eine Evidenzschleife: Der Agent erzeugt eine Hypothese oder einen Korrekturvorschlag, startet Simulation oder formale Verifikation, untersucht Gegenbeispiele oder Qualitätskennzahlen und gibt diese Evidenz an den Agenten zurück. Das ist überzeugender, als ein allgemeines Modell einen Chip erzeugen zu lassen und das Ergebnis ohne Domänenprüfung zu übernehmen.

Die häufig genannte Schätzung, Ingenieure verbrächten etwa 60 Prozent ihrer Zeit mit Debugging und prozesslastigen Aufgaben, sollte als Branchenwert und nicht als universelle Messung verstanden werden. Die Automatisierungschance ist dennoch klar: Wiederholte Triage, Trace-Analyse, Testerstellung, Ursachenlokalisierung und die Reparatur von Regressionen eignen sich besonders für agentische Unterstützung. 17

Im EDA-Wettbewerb geht es letztlich um Nachweise

Das wichtigste Signal der DAC 2026 war nicht, dass autonomes Chipdesign bereits gelöst wäre. Entscheidend ist vielmehr, dass die großen EDA-Anbieter agentische Workflows nun als nächste Ausbaustufe ihrer Plattformvorteile betrachten.

Synopsys betont die Autonomieleiter, AgentEngineer, den Abschluss von Verifikations- und Debugging-Prozessen sowie die Breite vom Silizium bis zum System. Cadence setzt auf die Koordination spezialisierter Agenten, dauerhaft verfügbaren Designkontext und multiphysikalisches Reasoning. Siemens hebt Selbstverifikation, MCP-basierte Werkzeugverbindungen und einen breiteren industriellen digitalen Faden hervor.

Die gemeinsame Herausforderung heißt Vertrauen. Ein brauchbarer EDA-Agent muss erklären können, was er geändert hat, den Ablauf reproduzierbar machen, die Designabsicht bewahren und deterministische Nachweise liefern, dass die relevanten Constraints erfüllt sind.

Der kurzfristige Gewinner wird daher wahrscheinlich nicht der Anbieter mit dem flüssigsten Modell sein. Es wird derjenige sein, dessen Agenten sicher in bestehende Daten-, IP-, Sicherheits-, Simulations- und Sign-off-Flows eingebettet sind – und der jede autonome Aktion in prüfbare Engineering-Evidenz übersetzt.