# Cómo seleccionan componentes los ingenieros con IA en 2026 > La selección de componentes con IA ya es casi universal, pero el ingeniero sigue verificando en la ficha técnica. Qué publicar para entrar en ese circuito. **Language:** es **Published:** 2026-08-09 **Category:** Market · **Tags:** component selection, design engineers, BOM, datasheets, EDA, trust **Canonical:** https://partsgraph.ai/es/blog/how-engineers-select-components-with-ai ## En resumen **¿Cómo usan realmente los ingenieros la IA para seleccionar componentes y pueden fiarse de ella?** La IA se ha convertido en una pieza habitual del flujo de selección de componentes, pero no en una autoridad dentro de él. Una encuesta de 2026 a 400 ingenieros norteamericanos reveló que más del 90 % había usado herramientas de IA en su flujo de diseño de PCB, mientras que el 75 % las describía como una capa de productividad y aceleración, no como quien decide. Los ingenieros recurren a los asistentes para preseleccionar, cruzar referencias y comparar, y después verifican en la ficha técnica todo parámetro crítico, porque los asistentes devuelven de forma habitual precios obsoletos, piezas ya sustituidas y especificaciones de apariencia plausible. El factor determinante es el formato, no el modelo: en un benchmark de junio de 2026, el mismo modelo respondió preguntas de diseño de PCB con un 43 % de acierto a partir de un esquema en PDF y con un 88 % de acierto con esa misma información en JSON estructurado. --- ## Cómo es hoy el flujo de trabajo Pregunte a un ingeniero de diseño si la IA ha cambiado su trabajo y obtendrá una respuesta prudente. Pregúntele si ha usado un asistente esta semana y la respuesta es casi siempre que sí. Weidmuller y EETech Research encuestaron a 400 ingenieros norteamericanos entre abril y mayo de 2026 sobre cómo diseñan placas y evalúan componentes. Más de nueve de cada diez habían usado herramientas basadas en IA en algún punto de su flujo de trabajo de PCB. Pero el 75 % describía esas herramientas como una capa de productividad y aceleración dentro de procesos ya existentes: iteración más rápida, no criterio delegado. Esa distinción lo explica todo. La IA ha logrado una adopción casi universal y una autoridad casi nula. Los ingenieros la usan constantemente y se fían de ella con una condición: la verificación. ## ¿En qué punto entra realmente la IA en el proceso de selección? | Etapa | En qué es bueno el asistente | Dónde falla | Qué necesita del fabricante | | --- | --- | --- | --- | | Definición de requisitos | Convierte un encargo en lenguaje natural en una envolvente paramétrica | Descarta en silencio las restricciones para las que no tiene datos, como el grado AEC-Q100 o el pedido mínimo | El estado de conformidad y de cualificación como campos, no como prosa | | Generación de candidatos | Produce en segundos una preselección amplia entre varios fabricantes | Interpola piezas que no existen u ofrece piezas ya sustituidas | Cobertura de catálogo completa y actualizada en un formato legible por máquina | | Comparación paramétrica | Construye la tabla comparativa que el ingeniero habría hecho a mano | Pierde las unidades, las tolerancias y las condiciones de ensayo al extraerlas de tablas en PDF | Parámetros con las unidades y las condiciones asociadas a cada valor | | Búsqueda de equivalencias | Sugiere alternativas y segundas fuentes con rapidez | Trata «parecido» como «equivalente» e ignora la forma, el ajuste y la función | Relaciones de equivalencia y de alternativa publicadas | | Disponibilidad y precio | Muestra el stock y el plazo de entrega cuando puede alcanzar una fuente en vivo | Cita con total seguridad cifras de hace meses procedentes de sus datos de entrenamiento | Un endpoint consultable en tiempo real, no una página rastreable | | Documentación | Ensambla dosieres de aprobación y de conformidad | Cita la revisión equivocada del documento correcto | Identificadores de revisión y URL de documento estables | Fíjese en lo que domina la tercera columna. Muy poco tiene que ver con que el modelo sea poco inteligente. Casi todo tiene que ver con que al modelo le han dado un PDF. ## Por qué el formato importa más que el modelo La evidencia más sólida al respecto llegó en junio de 2026, cuando un equipo de investigación publicó PCB-QA: un conjunto de 480 pares de pregunta y respuesta derivados de archivos de diseño reales de KiCad, que cubre conexiones entre componentes, consultas sobre fichas técnicas y comportamiento en simulación SPICE, evaluado sobre cuatro modelos de frontera. El titular no es qué modelo ganó, sino qué ocurrió cuando al *mismo* modelo se le dio la *misma* información en formatos distintos: | Formato de entrada | Precisión (GPT 5.4 Nano) | | --- | --- | | Esquema en PDF (imagen) | 43 % | | Archivos de diseño nativos (texto) | 55 % | | JSON estructurado | 88 % | El mejor modelo con la representación en JSON, Gemini 3 Flash Preview, alcanzó el 93 %. Conviene leerlo como un resultado del lado de la oferta de datos, no del lado del modelo. Duplicar la precisión no exigió un modelo mejor, ni una ventana de contexto mayor, ni un ajuste fino. Exigió dar a la máquina los mismos hechos en un formato que pudiera analizar. Todo fabricante cuyos parámetros vivan únicamente dentro de una ficha técnica en PDF está haciendo funcionar sus piezas en algo muy cercano a la fila del 43 %. Por eso también «los modelos mejorarán, así que podemos esperar» es un argumento más débil de lo que suena. La mejora de los modelos no recupera la información que el formato destruyó. ## ¿Por qué los ingenieros siguen abriendo la ficha técnica? Por lo que una ficha técnica *es*, no por lo que contiene. Una ficha técnica es un documento controlado, con gestión de revisiones, que el fabricante respalda. Cuando una pieza no supera la cualificación, la ficha técnica es el documento sobre el que se discute. Ningún ingeniero va a sustituir eso por la transcripción de un chat, y a ningún fabricante debería interesarle que lo haga. El error está en esperar que una máquina *deduzca* de ahí los parámetros. Un PDF es una representación de sus datos, no sus datos, y lo que se destruye en esa representación es exactamente lo que provoca los rediseños de placa: la nota al pie que aclara que los 2 A se aplican a 25 °C, el asterisco que indica una especificación preliminar, la advertencia de que la pieza no se recomienda para diseños nuevos. Aquí hay tres modos de fallo distintos, y confundirlos lleva a los equipos a la solución equivocada: 1. **Obsolescencia.** El modelo recita una cifra de sus datos de entrenamiento que desde entonces ha cambiado. Se resuelve estando accesible en tiempo real, no con mejores prompts. 2. **Fallo de extracción.** El valor existe, pero solo dentro de una tabla en PDF. Se resuelve publicando los parámetros de forma estructurada. 3. **Ausencia.** No existe ningún registro legible por máquina, así que el modelo interpola a partir de piezas vecinas. Se resuelve con cobertura. Solo el tercero es alucinación en sentido estricto. Los dos primeros son cosas que el fabricante se hace a sí mismo. ## Por qué los errores se acumulan a escala de lista de materiales Un solo parámetro equivocado es una molestia. Esa misma tasa de error aplicada a toda una lista de materiales es un problema de otra categoría, y es aquí donde la selección asistida por IA deja de parecerse a una conversación y empieza a parecerse a una cadena de suministro. Pensemos en una BOM modesta, de 200 líneas. Un asistente con un 95 % de acierto por línea —mejor de lo que la mayoría de los benchmarks predeciría partiendo solo de fuentes en PDF— produce unas diez líneas defectuosas. Algunas se detectarán en la revisión. Otras, en la inspección de primera pieza. Y otras, cuando un distribuidor confirme que la pieza pasó a «no recomendada para diseños nuevos» hace dieciocho meses. Tres propiedades lo empeoran respecto a lo que sugiere un cálculo ingenuo de la tasa de error: - **Los errores no son aleatorios.** Se concentran precisamente en las piezas con peores datos publicados, algo que se correlaciona con las entradas de catálogo más antiguas, los fabricantes de segundo nivel y las líneas de producto adquiridas hace poco: justo la población con mayor riesgo de ciclo de vida. - **Son silenciosos.** Un parámetro ausente produce una respuesta segura de sí misma construida sobre los parámetros que sí estaban. Nada en la salida distingue un valor recuperado de un valor inferido. - **Sobreviven a la revisión.** Los ingenieros verifican los parámetros que consideran críticos. El estado de ciclo de vida, el pedido mínimo y la certificación regional no suelen estar en esa lista en la fase de esquemático, y son precisamente los campos que más veces faltan en los registros legibles por máquina. Los datos de Weidmuller afinan el problema del momento: el 43 % de los ingenieros cierra la selección de componentes durante el concepto inicial o el diseño del esquemático, y otro 26 % selecciona de forma iterativa a lo largo de varias fases. La selección ocurre pronto, cuando es menos probable que la respuesta del asistente se contraste con los datos en vivo de un distribuidor y cuando el coste de un cambio posterior empieza a escalar. ## ¿Qué herramientas usan realmente los ingenieros? Por encima de los asistentes generalistas se ha formado una capa especializada, y conviene conocerla porque estas herramientas son ya los intermediarios entre su catálogo y la decisión de su cliente. - **Flux** levantó 37 millones de dólares en febrero de 2026 —una serie B de 27 millones liderada por 8VC más una serie A de 10 millones no revelada hasta entonces— para un copiloto de IA que planifica trazados, aprovisiona componentes y prueba diseños a partir de instrucciones en lenguaje natural. Sus versiones de 2026 incorporaron un diseño consciente del aprovisionamiento, con precios y disponibilidad en tiempo real. - **Luminovo**, en Múnich, lanzó **ElectronicsGPT** en enero de 2026: un agente para compras de electrónica que recupera piezas junto con sus datos técnicos, sus alternativas y su información de cadena de suministro. - **CELUS**, también de Múnich, genera esquemas a partir de los requisitos contra su base de conocimiento de componentes CUBO, y mostró su emparejamiento de componentes con IA en embedded world 2026. - **Cofactr** levantó una serie A de 17 millones de dólares liderada por Bain Capital Ventures para el aprovisionamiento condicionado por criterios de proveedor, regulación y política interna: aeroespacial, defensa, robótica y tecnología médica. - **Parspec**, en productos de construcción, levantó una serie A de 20 millones de dólares en julio de 2025; sus modelos extraen los requisitos de producto de planos y especificaciones y ordenan los productos conformes dentro de un catálogo de más de seis millones de artículos, y generan ofertas, dosieres de aprobación y paquetes de operación y mantenimiento. La estructura común es reveladora. Todas estas herramientas son una capa de interpretación sobre datos de fabricante que no les pertenecen. Su techo de precisión es la calidad de los datos que usted publica. Cuando no consiguen resolver su pieza, resuelven la de un competidor, y el ingeniero nunca llega a saber qué piezas quedaron excluidas en silencio. > **Figure.** The five points at which a manufacturer is eliminated from an assistant's answer. ## ¿Qué debe publicar un fabricante para resultar fiable en este circuito? Aproximadamente en orden de rentabilidad: 1. **Páginas de catálogo renderizadas en el servidor que un cliente sin navegador pueda leer.** Cuando Partsgraph auditó 984 dominios de distribuidores y fabricantes de todo el mundo en agosto de 2026, el 38 % no devolvía nada aprovechable a un cliente estándar sin navegador, y la puntuación mediana de visibilidad ante la IA fue de 50 sobre 100. Es la solución más barata y el fallo más frecuente. 2. **Los parámetros como campos estructurados, con sus unidades, tolerancias y condiciones de ensayo asociadas**: no como imagen de una tabla, no como prosa, no solo dentro del PDF. 3. **El estado de ciclo de vida como dato.** Activo, NRND, fecha de última compra, fecha de obsolescencia. Los asistentes recomiendan con total seguridad piezas descatalogadas porque nada les ha dicho lo contrario. 4. **La conformidad y la certificación como campos.** RoHS, SVHC de REACH, estado UKCA y CE, cualificación AEC-Q o equivalente, país de origen. En productos de construcción: clasificación frente al fuego, certificación por tercera parte, prestaciones declaradas. 5. **Relaciones explícitas de alternativa y de equivalencia.** Si no publica a qué sustituyen sus piezas y qué las sustituye, un asistente lo adivinará, y su conjetura se juzgará por lo plausible que suene, no por la cualificación. 6. **Una vía en tiempo real para las preguntas que cambian.** El stock, el plazo de entrega y el precio no se pueden servir desde un rastreo. El servidor Model Context Protocol de Microchip, publicado en noviembre de 2025, expone especificaciones de producto verificadas, fichas técnicas, inventario, precios y plazos de entrega directamente a los clientes de IA. La lista de fabricantes que hacen esto sigue siendo muy corta: en esa misma auditoría de 984 dominios, ninguno anunciaba un endpoint MCP, mientras que terceros han construido envoltorios MCP no oficiales sobre las API públicas de los grandes distribuidores para cubrir el hueco. Alguien va a exponer su catálogo a los agentes. Bien puede ser usted. ## El límite honesto Nada de esto convierte a un asistente en un ingeniero competente. La encuesta de Weidmuller recogió que los ingenieros señalan la detección de errores en tiempo real y el diseño verdaderamente autónomo como las capacidades que faltan, y que en torno al 80 % sitúa la fiabilidad y la durabilidad como el criterio más importante en la selección de componentes, frente a solo un 22 % que prioriza el precio. Esa estructura de valor se resiste a la automatización, porque el coste de equivocarse es asimétrico y se paga años después. Pero ese es un argumento sobre quién aprueba, no sobre quién propone. La propuesta ya ha cambiado de manos. El ingeniero que antes abría cuatro webs de distribuidores abre ahora un solo asistente, y las piezas que aparecen en esa respuesta son las piezas que se están considerando. Si sus datos no pueden sostener una respuesta correcta, no le están rechazando: no le están enumerando. *El grader gratuito en [/audit](/audit) muestra qué lee hoy un asistente de su catálogo y en qué piezas se equivoca.* ## Preguntas frecuentes ### ¿Se fían realmente los ingenieros de la IA para seleccionar componentes? Se fían para acotar, no para decidir. La encuesta de 2026 de Weidmuller/EETech a 400 ingenieros constató que más del 90 % había usado herramientas de IA en un flujo de PCB, pero el 75 % las calificaba de capa de productividad y aceleración dentro de procesos ya existentes. Es una descripción exacta de cómo se usan: generar candidatos deprisa y verificar después, contra fuentes primarias, los parámetros cuyo error obligaría a repetir la placa. ### ¿Por qué los asistentes de IA se equivocan en las especificaciones de los componentes? Hay tres causas distintas que suelen confundirse. Obsolescencia: el modelo recita una especificación de sus datos de entrenamiento que desde entonces se ha sustituido o descatalogado. Fallo de extracción: el parámetro solo existe dentro de una tabla en PDF con las condiciones de ensayo en una nota al pie, y el valor llega despojado de sus unidades, su tolerancia y sus condiciones. Y ausencia: cuando no existe ningún registro legible por máquina, el modelo interpola a partir de piezas parecidas. Solo la tercera es alucinación en sentido estricto; las dos primeras son fallos de suministro de datos que el fabricante puede corregir. ### ¿Qué es lo más eficaz que puede hacer un fabricante para mejorar la precisión de la IA sobre sus piezas? Dejar de que el PDF sea el único sitio donde viven los parámetros. El benchmark PCB-QA publicado en junio de 2026 planteó preguntas idénticas en distintos formatos: un modelo acertó el 43 % a partir de esquemas en PDF, el 55 % con los archivos de diseño nativos y el 88 % con una representación en JSON estructurado, y el mejor modelo llegó al 93 % en JSON. Las mismas preguntas, los mismos hechos de fondo, aproximadamente el doble de precisión. El formato no es un detalle de presentación: es la variable que determina la precisión. ### ¿Qué herramientas de IA usan de verdad los ingenieros y los prescriptores? Junto a los asistentes generalistas ha surgido una capa especializada: Flux, para diseño de PCB asistido por IA, que levantó 37 millones de dólares en febrero de 2026 y ha incorporado un diseño consciente del aprovisionamiento, con precios y disponibilidad en tiempo real; Luminovo, que lanzó ElectronicsGPT en enero de 2026 como agente para compras de electrónica; CELUS, que construye esquemas a partir de los requisitos contra su base de conocimiento de componentes CUBO; Cofactr, para el aprovisionamiento sujeto a restricciones de conformidad; y Parspec, en productos de construcción, que extrae los requisitos de planos y especificaciones y ordena los productos conformes dentro de un catálogo de más de seis millones de artículos. Todas ellas dependen, aguas abajo, de la calidad de los datos del fabricante. ### ¿Necesita un asistente mi ficha técnica en PDF? Sí, pero como prueba, no como fuente de datos. Los ingenieros verifican contra la ficha técnica porque es el documento controlado y con gestión de revisiones que tiene peso legal y de cualificación, y eso no va a cambiar. El error está en esperar que una máquina deduzca de ahí los parámetros. Publique los parámetros estructurados para que se puedan recuperar y enlace el PDF como el documento de referencia que los respalda, con su identificador de revisión. ### ¿En qué se diferencia esto entre productos de construcción y componentes electrónicos? El flujo de trabajo rima; cambian los documentos. Un prescriptor parte de planos, especificaciones de prestaciones y cuadros de mediciones, no de un netlist, y la cuestión de la equivalencia la marca la conformidad —resistencia al fuego, transmitancia térmica, comportamiento acústico, certificación por tercera parte— y no la equivalencia de forma, ajuste y función. Pero el modo de fallo es idéntico: datos de prestaciones atrapados en una ficha técnica en PDF, el estado de certificación sin publicar como campo y ninguna vía para que una máquina establezca que el producto A cumple la cláusula B. ### ¿Acabará la IA seleccionando componentes sin un ingeniero? Con la evidencia disponible, no. La misma encuesta de 2026 recogió que los ingenieros señalan la detección de errores en tiempo real y el diseño plenamente autónomo como las capacidades que faltan, y que en torno al 80 % sitúa la fiabilidad y la durabilidad como el criterio de selección más importante, frente a solo un 22 % que prioriza el precio: una estructura de valor que se resiste a la automatización, porque el coste de equivocarse es asimétrico. La trayectoria realista es que los asistentes lleguen a ser muy buenos proponiendo y aportando evidencias, y que los ingenieros sigan siendo los responsables de aprobar. ## Fuentes 1. [Automation World, Weidmuller / EETech Research 2026 PCB Design Tools and Component Selection Survey (400 engineers, 24 July 2026)](https://www.automationworld.com/analytics/news/55393457/weidmuller-pcb-design-survey-reveals-ai-tool-impacts) 2. [Srinivasan, Tan, Turnbull and Pearce, PCB-QA: Evaluating LLMs over the First Printed Circuit Board Design Question-Answer Dataset (arXiv, 10 June 2026)](https://arxiv.org/html/2606.23704) 3. [SiliconANGLE, Flux nabs $37M to automate printed circuit board development with AI (27 February 2026)](https://siliconangle.com/2026/02/27/flux-nabs-37m-automate-printed-circuit-board-development-ai/) 4. [Luminovo, Introducing ElectronicsGPT (January 2026)](https://luminovo.com/about/press/luminovo-introduces-electronicsgpt) 5. [Parspec, Parspec raises $20 million Series A (July 2025)](https://www.parspec.io/resources/parspec-raises-20-million-series-a) 6. [CELUS, CELUS showcases AI-powered electronic component matching at embedded world 2026 (9 March 2026)](https://www.businesswire.com/news/home/20260309087228/en/CELUS-Showcases-AI-Powered-Electronic-Component-Matching-Capabilities-at-embedded-world-2026) 7. [Cofactr, $17M Series A for compliance-constrained electronics sourcing (December 2024)](https://www.businesswire.com/news/home/20241212219735/en/Cofactr-Raises-%2417M-Series-A-to-Streamline-Supply-Chain-So-Hardware-Manufacturers-Can-Iterate-Fast-While-Complying-With-Regulations-and-Policies) 8. [Microchip Technology, Microchip unveils Model Context Protocol (MCP) Server (6 November 2025)](https://ir.microchip.com/news-events/press-releases/detail/1344/microchip-technology-unveils-model-context-protocol-mcp-server-to-power-ai-driven-product-data-access) 9. [Forrester, B2B Buyers Make Zero-Click Buying Number One (22 January 2026)](https://www.forrester.com/blogs/b2b_buyers_make_zero_click_buying_number_one/) 10. [Forrester, What It Means That The Leader In Agentic Commerce Just Pulled Back (7 March 2026)](https://www.forrester.com/blogs/what-it-means-that-the-leader-in-agentic-commerce-just-pulled-back/) ## Other languages - English: https://partsgraph.ai/blog/how-engineers-select-components-with-ai/md - Deutsch: https://partsgraph.ai/de/blog/how-engineers-select-components-with-ai/md - Français: https://partsgraph.ai/fr/blog/how-engineers-select-components-with-ai/md - Italiano: https://partsgraph.ai/it/blog/how-engineers-select-components-with-ai/md - Nederlands: https://partsgraph.ai/nl/blog/how-engineers-select-components-with-ai/md - Polski: https://partsgraph.ai/pl/blog/how-engineers-select-components-with-ai/md - Português: https://partsgraph.ai/pt/blog/how-engineers-select-components-with-ai/md - Svenska: https://partsgraph.ai/sv/blog/how-engineers-select-components-with-ai/md - Türkçe: https://partsgraph.ai/tr/blog/how-engineers-select-components-with-ai/md - 日本語: https://partsgraph.ai/ja/blog/how-engineers-select-components-with-ai/md - 한국어: https://partsgraph.ai/ko/blog/how-engineers-select-components-with-ai/md - 简体中文: https://partsgraph.ai/zh/blog/how-engineers-select-components-with-ai/md --- Partsgraph — the agent-ready parts data layer. Free AI-visibility grader: https://partsgraph.ai/es/audit