Wie Ingenieure 2026 Bauteile mit KI auswählen

Wie der Arbeitsablauf heute aussieht

Fragen Sie einen Entwicklungsingenieur, ob KI seine Arbeit verändert hat, und Sie bekommen eine vorsichtige Antwort. Fragen Sie, ob er diese Woche einen Assistenten genutzt hat, lautet die Antwort fast immer ja.

Weidmüller und EETech Research haben zwischen April und Mai 2026 400 nordamerikanische Ingenieure dazu befragt, wie sie Leiterplatten entwerfen und Bauteile bewerten. Mehr als neun von zehn hatten irgendwo in ihrem Leiterplatten-Workflow KI-basierte Werkzeuge eingesetzt. 75 % beschrieben diese Werkzeuge jedoch als Produktivitäts- und Beschleunigungsebene innerhalb bestehender Prozesse – schnellere Iteration, keine delegierte Urteilsbildung.

In dieser Unterscheidung steckt die ganze Geschichte. KI hat eine nahezu flächendeckende Verbreitung erreicht und nahezu keine Autorität. Ingenieure nutzen sie ständig und vertrauen ihr nur unter einer Bedingung – und diese Bedingung heißt Verifikation.

Wo greift KI im Auswahlprozess tatsächlich ein?

Achten Sie darauf, was die dritte Spalte dominiert. Nur ein sehr kleiner Teil davon geht darauf zurück, dass das Modell zu wenig kann. Der größte Teil geht darauf zurück, dass man dem Modell ein PDF in die Hand gedrückt hat.

Warum das Format wichtiger ist als das Modell

Den stärksten Beleg dafür lieferte der Juni 2026, als Forscher PCB-QA veröffentlichten: einen Datensatz aus 480 Frage-Antwort-Paaren, abgeleitet aus echten KiCad-Entwurfsdateien, der Bauteilverbindungen, Datenblattabfragen und das Verhalten von SPICE-Simulationen abdeckt und gegen vier Spitzenmodelle ausgewertet wurde.

Die entscheidende Erkenntnis ist nicht, welches Modell gewonnen hat. Sie liegt darin, was geschah, als dasselbe Modell dieselben Informationen in unterschiedlichen Formaten erhielt:

Das beste Modell auf der JSON-Repräsentation, Gemini 3 Flash Preview, erreichte 93 %.

Lesen Sie das als Ergebnis auf der Angebotsseite, nicht als Modellergebnis. Die Verdopplung der Trefferquote erforderte kein besseres Modell, kein größeres Kontextfenster und kein Fine-Tuning. Sie erforderte, der Maschine dieselben Fakten in einer Form zu geben, die sie parsen kann. Jeder Hersteller, dessen parametrische Daten ausschließlich in einem PDF-Datenblatt liegen, betreibt seine Bauteile in etwa auf dem Niveau der 43-%-Zeile.

Das ist auch der Grund, warum das Argument „Die Modelle werden besser, also können wir warten“ schwächer ist, als es klingt. Bessere Modelle stellen keine Informationen wieder her, die das Format vernichtet hat.

Warum öffnen Ingenieure trotzdem noch das Datenblatt?

Wegen dessen, was ein Datenblatt ist – nicht wegen dessen, was darin steht.

Ein Datenblatt ist ein gelenktes, revisionsgeführtes Dokument, für das ein Hersteller einsteht. Wenn ein Bauteil die Qualifizierung nicht besteht, ist das Datenblatt das Beweisstück in der Auseinandersetzung. Kein Ingenieur wird dafür ein Chat-Protokoll einsetzen, und kein Hersteller sollte sich das wünschen.

Der Fehler liegt in der Erwartung, eine Maschine könne die parametrischen Daten daraus ableiten. Ein PDF ist eine Darstellung Ihrer Daten, nicht Ihre Daten – und genau das, was bei dieser Darstellung zerstört wird, verursacht die Respins: die Fußnote, dass die Angabe von 2 A bei 25 °C gilt, das Sternchen für eine vorläufige Spezifikation, der Hinweis, dass das Bauteil für Neuentwicklungen nicht empfohlen wird.

Es gibt hier drei klar unterscheidbare Fehlerbilder, und wer sie vermischt, führt sein Team zur falschen Abhilfe:

1. 01Veraltung. Das Modell gibt einen Wert aus den Trainingsdaten wieder, der sich inzwischen geändert hat. Abhilfe schafft die Erreichbarkeit in Echtzeit, nicht besseres Prompting.
2. 02Extraktionsfehler. Der Wert existiert, aber nur innerhalb einer PDF-Tabelle. Abhilfe schafft die Veröffentlichung strukturierter parametrischer Daten.
3. 03Fehlen. Es gibt überhaupt keinen maschinenlesbaren Datensatz, also interpoliert das Modell aus benachbarten Bauteilen. Abhilfe schafft Abdeckung.

Nur der dritte Fall ist Halluzination im engeren Sinn. Die ersten beiden fügt sich der Hersteller selbst zu.

Warum sich die Fehler auf Stücklistenebene aufschaukeln

Ein einzelner falscher Parameter ist ein Ärgernis. Dieselbe Fehlerquote über eine gesamte Stückliste hinweg ist eine ganz andere Klasse von Problem – und an diesem Punkt hört die KI-gestützte Auswahl auf, einem Chat zu ähneln, und beginnt, einer Lieferkette zu ähneln.

Nehmen Sie eine überschaubare Stückliste mit 200 Positionen. Ein Assistent mit 95 % Trefferquote je Position – besser, als es die meisten Benchmarks bei reinen PDF-Quellen erwarten lassen – erzeugt rund zehn fehlerhafte Positionen. Einige davon fallen im Review auf. Einige fallen bei der Erstmusterprüfung auf. Und einige fallen erst auf, wenn ein Distributor bestätigt, dass das Bauteil vor achtzehn Monaten auf „nicht empfohlen für Neuentwicklungen“ gesetzt wurde.

Drei Eigenschaften machen die Sache schlimmer, als es eine naive Fehlerquotenrechnung nahelegt:

• Die Fehler sind nicht zufällig verteilt. Sie häufen sich genau bei den Bauteilen mit der schlechtesten veröffentlichten Datenlage, und das korreliert mit älteren Katalogeinträgen, Herstellern der zweiten Reihe und kürzlich zugekauften Produktlinien – also mit genau der Gruppe, die am ehesten ein Lifecycle-Risiko trägt.
• Sie sind stumm. Ein fehlender Parameter führt zu einer selbstbewussten Antwort, die auf den vorhandenen Parametern aufbaut. Nichts in der Ausgabe unterscheidet einen abgerufenen Wert von einem erschlossenen.
• Sie überstehen das Review. Ingenieure prüfen die Parameter, die sie für kritisch halten. Lifecycle-Status, Mindestbestellmenge und regionale Zertifizierung stehen in der Schaltplanphase häufig nicht auf dieser Liste – und genau diese Felder fehlen in maschinenlesbaren Datensätzen am häufigsten.

Die Weidmüller-Daten verschärfen das zeitliche Problem: 43 % der Ingenieure legen die Bauteilauswahl bereits in der frühen Konzept- oder Schaltplanphase endgültig fest, weitere 26 % wählen iterativ über mehrere Phasen hinweg aus. Die Auswahl fällt also früh – dann, wenn die Antwort des Assistenten am seltensten gegen die Live-Daten eines Distributors gegengeprüft wird, und wenn die Kosten einer späteren Änderung gerade zu steigen beginnen.

Welche Werkzeuge nutzen Ingenieure tatsächlich?

Über den allgemeinen Assistenten hat sich eine Fachebene gebildet, und die sollte man kennen: Diese Werkzeuge sind heute die Vermittler zwischen Ihrem Katalog und der Entscheidung Ihres Kunden.

• Flux hat im Februar 2026 37 Mio. US-Dollar eingeworben – eine Series B über 27 Mio. US-Dollar unter Führung von 8VC plus eine zuvor nicht offengelegte Series A über 10 Mio. US-Dollar – für einen KI-Copiloten, der Layouts plant, Bauteile beschafft und Entwürfe testet, ausgehend von Anweisungen in natürlicher Sprache. Die Releases des Jahres 2026 ergänzten beschaffungsbewussten Entwurf mit Preisen und Verfügbarkeiten in Echtzeit.
• Luminovo aus München hat im Januar 2026 ElectronicsGPT gestartet: einen Agenten für die Elektronikbeschaffung, der Bauteile samt technischen Daten, Alternativen und Lieferketteninformationen abruft.
• CELUS, ebenfalls aus München, erzeugt Schaltpläne aus Anforderungen gegen die eigene Bauteil-Wissensbasis CUBO und hat auf der embedded world 2026 KI-gestütztes Bauteil-Matching gezeigt.
• Cofactr hat eine Series A über 17 Mio. US-Dollar unter Führung von Bain Capital Ventures eingeworben – für Beschaffung unter den Randbedingungen von Lieferantenkriterien, Regulatorik und internen Richtlinien: Luft- und Raumfahrt, Verteidigung, Robotik und Medizintechnik.
• Parspec aus dem Bauproduktebereich hat im Juli 2025 eine Series A über 20 Mio. US-Dollar eingeworben; seine Modelle extrahieren Produktanforderungen aus Zeichnungen und Leistungsbeschreibungen, reihen konforme Produkte aus einem Katalog von über sechs Millionen Positionen und erzeugen daraus Angebote, Freigabeunterlagen sowie Betriebs- und Wartungsdokumentationen.

Die gemeinsame Struktur ist aufschlussreich. Jedes dieser Werkzeuge ist eine Interpretationsschicht über Herstellerdaten, die ihm nicht gehören. Die Obergrenze ihrer Genauigkeit ist Ihre Datenqualität. Wenn sie Ihr Bauteil nicht auflösen können, lösen sie das eines Wettbewerbers auf – und der Ingenieur erfährt nie, welche Bauteile stillschweigend ausgeschlossen wurden.

Was muss ein Hersteller veröffentlichen, um in dieser Schleife Vertrauen zu genießen?

Grob nach Wirkung sortiert:

1. 01Serverseitig gerenderte Katalogseiten, die ein Client ohne Browser lesen kann. Als Partsgraph im August 2026 weltweit 984 Distributoren- und Herstellerdomains geprüft hat, lieferten 38 % einem gewöhnlichen Client ohne Browser nichts Verwertbares zurück, und der Median der KI-Sichtbarkeitsbewertung lag bei 50 von 100 Punkten. Das ist die günstigste Abhilfe und zugleich der häufigste Mangel.
2. 02Parametrische Daten als strukturierte Felder mit Einheit, Toleranz und Prüfbedingungen – nicht als Tabellenbild, nicht als Fließtext und nicht ausschließlich im PDF.
3. 03Lifecycle-Status als Daten. Aktiv, NRND, Last-Time-Buy-Termin, Abkündigungstermin. Assistenten empfehlen abgekündigte Bauteile mit voller Überzeugung, weil ihnen nichts anderes mitgeteilt wurde.
4. 04Compliance und Zertifizierung als Felder. RoHS, REACH-SVHC, UKCA- und CE-Status, AEC-Q oder gleichwertige Qualifizierung, Ursprungsland. Bei Bauprodukten: Brandverhaltensklasse, Zertifizierung durch Dritte, erklärte Leistung.
5. 05Explizite Alternativ- und Gleichwertigkeitsbeziehungen. Wenn Sie nicht veröffentlichen, was Ihre Bauteile ersetzen und wodurch sie ersetzt werden, rät ein Assistent – und sein Rateergebnis wird an der Plausibilität gemessen, nicht an der Qualifizierung.
6. 06Ein Live-Zugang für die Fragen, deren Antworten sich ändern. Bestand, Lieferzeit und Preis lassen sich nicht aus einem Crawl bedienen. Der im November 2025 veröffentlichte Model-Context-Protocol-Server von Microchip stellt geprüfte Produktspezifikationen, Datenblätter, Bestände, Preise und Lieferzeiten direkt für KI-Clients bereit. Die Liste der Hersteller, die das tun, ist noch sehr kurz: In derselben Prüfung von 984 Domains wies keine einzige einen MCP-Endpunkt aus, während Dritte inoffizielle MCP-Wrapper um die öffentlichen APIs großer Distributoren gebaut haben, um die Lücke zu schließen. Irgendjemand wird Ihren Katalog für Agenten zugänglich machen. Das können genauso gut Sie selbst sein.

Die ehrliche Grenze

Nichts davon macht einen Assistenten zu einem kompetenten Ingenieur. Die Weidmüller-Befragung zeigt, dass Ingenieure Echtzeit-Fehlererkennung und wirklich autonomen Entwurf als die fehlenden Fähigkeiten nennen und rund 80 % Zuverlässigkeit und Lebensdauer als wichtigstes Kriterium bei der Bauteilauswahl einstufen, gegenüber nur 22 %, die den Preis priorisieren. Diese Wertordnung entzieht sich der Automatisierung, weil die Kosten eines Fehlers asymmetrisch sind und erst Jahre später anfallen.

Das ist jedoch ein Argument darüber, wer freigibt, nicht darüber, wer vorschlägt. Das Vorschlagen hat sich bereits verlagert. Der Ingenieur, der früher vier Distributorenseiten geöffnet hat, öffnet heute einen Assistenten – und die Bauteile, die in dieser Antwort auftauchen, sind die Bauteile, die zur Auswahl stehen. Wenn Ihre Daten keine korrekte Antwort tragen können, werden Sie nicht abgelehnt – Sie werden gar nicht erst aufgeführt.

Der kostenlose Grader unter [/audit](/audit) zeigt, was ein Assistent heute aus Ihrem Katalog liest – und bei welchen Ihrer Bauteile er danebenliegt.